Modul

Praktikum
EKONOMETRIKA



Dr. Dessy Adriani, S.P., M.Si.
PROGRAM STUDI AGRIBISNIS
FAKULTAS PERTANIAN
UNIVERSITAS SRIWIJAYA


KATA PENGANTAR


Puji syukur kehadirat Allah SWT yang telah memberikan
rahmat dan karunia-Nya, sehingga penulis dapat menyelesaikan
modul praktikum Ekonometrika ini.
Tujuan penulis membuat modul ini adalah untuk melengkapi
bahan perkuliahan mata kuliah Ekonometrika di program studi
Agribisnis Fakultas Pertanian Universitas Sriwijaya. Modul
praktikum ini sangat diperlukan untuk mendukung kegiatan
perkuliahan Ekonometrika yang menekankan praktik untuk
mendukung teori yang dipelajari. Modul ini berisi contoh teori dan
soal persoalan yang terkait dengan Ekonometrika dengan
berbagai metode penyelesainnya. Untuk memperkaya kegiatan
praktikum, pada beberapa bagaian ditambahkan praktik
pengolahan data dengan menggunakan Metode SPSS.
Dengan segala kekurangan, penulis mengharapkan kritik dan
saran yang sifatnya membangun demi kesempurnaan modul ini.
Semoga modul praktikum ini dapat bermanfaat bagi mahasiswa
khususnya dalam meningkatkan pemahaman kuliah
Ekonometrika

Penulis

ii
 DAFTAR ISI


Halaman
Kata Pengantar …………………………….. ii
Daftar isi ………………………………………. iii
DASAR-DASAR EKONOMETRIKA….. 1
Modul 1. Pengenalan Ekonometrika 7
Modul 2. Model Ekonometrika dan 12
Pengenalan SPSS ………………….………
Modul 3. Pembentukan Model 14
Ekonometrika ……………………………..
Modul 4. Regresi Linier Sederhana.. 19
Modul 5. Regresi Linier Berganda …. 25
Modul 6. Penyelesaian Regresi Linier 31
Berganda dengan Metode Matriks …..
Modul 7. Regresi dengan Variabel 41
Dummy ………………………………………..
Modul 8. Pengujian Normalitas …….. 47
Modul 9. Pengujian Asumsi Klasik 56
(Multikoninieritas) ………………………
Modul 10. Pengujian Asumsi Klasik 64
(Heteroskedastisitas)
Modul 11. Pengujian Asumsi Klasik 73
(Autokorelasi) ………………………………
DAFTAR PUSTAKA 81

iii
 DASAR-DASAR EKONOMETRIKA


a. Pengertian ekonometrika
Ekonometrika terkait dengan pengukuran hubungan
ekonomi. Istilah ekonometrika terbentuk dari dua kata Yunani,
yaitu “oikonomia” (economy) dan “metron” (measure).
Ekonometrika adalah kombinasi dari teori ekonomi dan statistik
tetapi juga aspek tersebut berbeda satu sama lain.
Ekonometrika dapat didefinisikan sebagai ilmu sosial
dimana teori ekonomi, matematika, dan statistic inferensi
digunakan untuk menganalisisi fenomena ekonomi.

b. Tujuan dari pengujian
1) Membuktikan validitas teori-teori ekonomi (verifikasi)
2) Menghasilkan taksiran-taksiran numeric untuk
kebijakan ekonomi (penaksiran)
3) Meramalkan nilai besaran-besaran ekonomi

c. Tahapan pengujian
a. Merumuskan persamaan matematis (spesifikasi)
b. Merancang metode dan prosedur sesuai teori statistik
c. Menyusun metode penaksiran (estimasi) sesuai langkah
“1” penaksiran
d. Menyusun metode statistic untuk pengujian validitas
teori (verifikasi)
e. Mengembangkan metode peramalan
ekonomi (aplikasi/penerapan)

d. Bentuk-Bentuk Fungsional Pengujian
• Linier (sederhana, berganda)
• Kuadratik
• Logaritma
• Eksponensial
• Hiperbola
• Constant elastiticy of substitution (CES)

1
 Fungsi-fungsi di atas digunakan untuk mengetahui
pengaruh hubungan variabel antar ekonomi (variabel
independen dan variabel dependen)
e. Regresi Sederhana
Regresi sederhana bertujuan mempelajari hubungan
antara dua variabel. Kedua variabel ini dibedakan menjadi
variabel bebas (x) dan variabel tidak bebas (y). variabel bebas
adalah variabel yang bisa dikontrol sedangkan variabel tidak
bebas adalah variabel yang mencerminkan respon dari variabel
bebas.
Untuk mengetahui hubungan kejadian variabel dengan
kejadian atau kejadian lain, kita menggunakan teknik analisis
yang disebut korelasi. Analisis korelasi yang disimbolkan dengan
tanda r (rhol). Koefisien korelasi menunjukkan seberapa kuat
hubungan antara variabel. Sedangkan untuk mencari pengaruh
suatu variable terhadap variabel lain, alat analisis yang
digunakan adalah analisis regresi. Hasil analisis regresi berupa
persamaan regresi yang merupakan fungsi prediksi suatu
variabel dengan menggunakan variabel lain.
Analisis korelasi digunkan untuk mencari hubungan antara
dua variabel. Hasil analisis dari korelasi adalah koefisien korelasi
yang menunjukkan kekuatan dan kelamahan dari suatu
hubungan. Untuk melakukan peramalan kelemahan dari suatu
hubungan. Untuk melakukan peramalan terhadap suatu variabel
jika variabel lain diketahui, dan alat analisis kita bisa
memprediksi perilaku dari variabel dependen dengan
menggunakan data variabel independen. Bentuk umum dari
persamaan regresi adalah:

Y = a + bX
Dimana:
Y = nilai dari variabel dependen
a = konstanta, yaitu nilai Y jika X =
0 b = koefisien regresi
X = nilai dari variabel independen

2
 f. Regresi Linier Berganda
Analisis regresi linier berganda adalah hubungan secara
linier antara dua atau lebih variabel independen (X1,X2,…,Xn)
dengan variabel dependen (Y). analisis ini untuk mengetahui
arah hubungan antara variabel independen dan variabel
dependen berhubungan positif atau negatif dan untuk
memprediksi nilai dari variabel dependen apabila variabel
independen mengalami kenaikan atau penurunan. Data yang
digunakan biasanya berskala interval atau rasio. Persamaan
regresi linier berganda sebagai berikut:

Y = a + b1X1 + b2X2 + ….. + bnXn
Dimana:
Y = variabel dependen
X = variabel independen
a = konstanta (nilai Y apabila (X1,X2,…,Xn=0)
b = koefisien regresi (nilai peningkatan ataupun
penurunan) Dalam analisis regresi sering kali bukan
hanya variabel-
variabel penjelas kuantitatif yang sering mempengaruhi variabel
tak bebas (Y), tetapi ada juga variabel-variabel kualitatif yang
ikut juga mempengaruhi, seperti jenis kelamin, musim, warna,
pendidikan, dan lain sebagainya, untuk mengakomodasikan
adanya variabel kualitatif ke dalam model regresi dapat
dilakukan dengan menggunakan peubah boneka (variabel
dummy) peubah boneka ini biasanya mengambil nilai 1 atau 0.
Kedua nilai yang diberikan tidak menunjukkan bilangan
(numeric), tetap hanya sebagai identifikasi kelas atau
kategorinya.
• Variabel dummy adalah variabel yang mempresentasikan
kuantitatif dari variabel kualitatif. Missal: jenis kelamin,
lokasi, situasi, musim dan kualitas.
• Variabel dummy sering juga disebut variabel boneka,
binary kategorik atau dikotom
• Dummy memiliki nilai (D =1) untuk salah satu kategori
dan nol (D = 0) untuk kategori yang lain

3











g. Model regresi Linier Dengan Dummy Variabel
Yang dipertimbangkan adalah model berikut ini :
1. Y = a +bX + c D1 (model Dummy Intersep)

2. Y= a + bX + c (D1X) (model Dummy Slope)

3. Y = a + bx + c (D1X) + dD1 (Kombinasi)

h. Uji Statistik
Uji statistik fungsinya untuk melihat hubungan antara
variabel dependen dan variabel Independen. Jenis uji statistik
yaitu sebagai berikut :
• Uji R2 (uji koefisien determinasi)

4
 Penguji ini dimaksudkan untuk mengukur seberapa jauh
variabel independen mempengaruhi variabel dependen.
• Uji F (uji regresi secara bersama)
Penguji ini dimaksudkan untuk mengetahui ada tidaknya
pengaruh variabel independen secara bersama-sama dengan
variabel dependen.
• Uji t (t-test)
Pengujian ini dimaksudkan untuk mengetahui ada
tidaknya pengaruhnya variabel independen secara parsial atau
sendiri-sendiri dengan variabel dependen.

i. Uji Asumsi Klasik
Dalam model regresi linier ada beberapa asumsi yang
harus dipenuhi agar memenuhi kondisi BLUE (Best Linier
Unbiased Estimate). Pengujian ini dimaksudkan untuk
menganalisis beberapa asumsi dari persamaan regresi yang
dihasilkan valid untuk memprediksi. Menurut Santoso (2005)
dalam analisis regresi terdapat beberapa asumsi yang harus
dipenuhi sehingga persamaan regresi yang dihasilkan akan valid
jika digunakan untuk memprediksi. Penggunaan asumsi ini
merupakan konsekuensi dari beberapa penggunaan metode
Orginal Least Square (OLS) dalam menghitung persamaan
regresi. Pembahasan mengenai asumsi- asumsi yang ada pada
analisis regresi adalah sebagai berikut :
• Uji Normalitas
Pengujian normalitas adalah pengujian tentang
kenormalan distribusi data. Uji ini merupakan pengujian yang
paling banyak dilakukan untuk menganalisis karena pada
analisis statistik parametik, asumsi harus dimiliki oleh data
adalah bahwa data tersebut terdistribusi normal.
• Uji Multikolinearitas
Uji ini merupakan bentuk pengujian asumsi dalam analisis
regresi berganda. Asumsi multikolinearitas menyatakan bahwa
variabel independen harus terbebas dari gejala multikolinearitas.
Gejala ini ditunjukkan dengan korelasi yang signifikan antara
variabel independen.
• Uji Autokorelasi

5
 Cara yang dapat dilakukan untuk mendeteksi ada atau
tidaknya autokorelasi adalah dengan melakukan uji Durbin
Watson. Pengambilan keputusan ada atau tidaknya autokorelasi
menggunakan ketentuan sebagai berikut:

Hipotesis Nol Keputusan Jika
Tidak ada autokorelasi positif Total 0 < d < dL
Tidak ada autokorelasi positif No decision dL ≤ d ≤ dU
Tidak ada autokorelasi negatif Tolak 4 - dL< d < 4
Tidak ada autokorelasi negatif No decision 4 - dU ≤ d ≤ 4 - dL
Tidak ada autokorelasi positif / negatif Tidak ditolak dU < d < 4 - dU

Ket : dU : durbin Watson upper, dL : durbin Watson lower
• Bila nilai DW terletak antara batas atas atau Upper
bound (dU) dan (4 - dU), maka koefisien
autokorelasi sama dengan nol, berarti tidak ada
autokorelasi.
• Bila nilai DW lebih rendah daripada batas bawah
atau lower bound (dL), maka koefisien autokorelasi
lebih besar daripada nol, berarti ada autokorelasi
positif.
• Bila nilai DW lebih besar daripada (4 - dL), maka
koefisien autokorelasi lebih kecil daripada nol,
berarti ada autokorelasi negatif.
• Bila nilai DW terletak di antara batas atas (dU) dan
batas bawah (dL) atau DW terletak antara (4 - dU)
dan (4 - dL), maka hasilnya tidak dapat
disimpulkan.

• Uji Heterokedastisitas
Uji asumsi ini adalah asumsi dalam regresi dimana varian
dari resisual tidak sama untuk satu pengamatan yang lain. Gejala
varian residual yang sama dari satu pengamatan yang lain
disebut dengan homokesatisitas.

j. Statistica Software (SPSS)

6
 Stastistical product And Service Solution (SPSS) merupakan
suatu program computer tentang statistik yang mampu
memproses data-data statistik secara cepat dan akurat menjadi
berbagai output atau hasil yang sangat diperlukan bagi pihak
yang dapat diambil sekaligus namun yang pasti harus digunakan
adalah Data editor sebagai bagian input dan proses, serta Output
Viewer yang merupakan tempat output hasil pengolahan data.

k. Analisis Regresi dengan SPSS
Untuk melakukan analisis regresi dengan menggunakan
program SPSS langkah yang harus dilakukan adalah
1. Klik aplikasi SPSS
2. Masukkan data dari variabel dependen dan independen
pada sheet Data View
3. Memformat sheet Variabel View meliputi Name, Widht,
Decimal, Label, Values, Missing, Colums, Align, dan
Measure.
4. Dari Analyze, pilih Regresion dan pilih Linier
5. Masukkan variabel Y. pada kolom dependen dan
variabel X pada kolom independen.
6. Klik pilihan Statistik, klik Estimates, Model fit, R-
Square Change, Deskriptive, Part and Partial
Correlations, Colinearity Diagnoctis, dan Durbin-
Watson. Klik continue.
7. Klik pilihan Plots. Klik pilihan Histogram dan Normal
Probability Plots. Masukkan variabel SRESID pada
kolom Y ZPRED pada kolom X. Klik continue.
8. Klik OK, bentuk output dari analisis akan terlihat.

CONTOH KASUS DALAM EKONOMETRIKA


Indonesia sebagai Negara produsen udang dari tahun ke
tahun produksi udangnya meningkat dan menurun. Negara tujuan
utama ekspor udang Indonesia yaitu Jepang karena Negara Jepang
terkenal akan budaya makan seafood. Eksport udang Indonesia
dalam kasus ini pada periode 1991-2010, faktor-faktor yang

7
mempengaruhi volume ekspor udang Indonesia ke Jepang / Gross
Domestic Product (GDP), dan produksi udang Indonesia. Dengan
menggunakan data :
Keterangan :
Y = Volume permintaan ekspor
X 1 = Harga rata-rata udang
X 2 = Kurs Dollar AS atau Yen
X 3 = Pendapatan Negara Jepang

X 4 = Produksi udang Indonesia
Tahun Y X1 X2 X3 X4
2000 54064.2 11.3 107.73 4654459296 249.032
2001 53662.9 9.6 134.51 3323576686 140.131

2002 57120.7 8.55 126.67 3566480619 141.69

2003 61454 10.25 111.17 4068935864 154.786
2004 63996.1 11.92 104.72 4340243506 175.058
2005 43122.2 8.09 110.15 4092817068 358.539
2006 49762.3 8.28 116.27 4746935581 367.164
2007 39816.3 8.5 109.43 5159650005 378.976
2008 37400 8.25 103.91 5573530436 386.922
2009 34800 8.36 92.88 6157209302 396.867
2010 39166.4 9.49 86.3 6281355579 393.86
2011 59438.8 9.51 121.52 4142778966 263.037
2012 58514 8.65 125.28 4026479087 262.485
2013 59845.2 7.9 115.91 4439013027 270.438
2014 48702 7.92 108.15 4866944059 345.913

8
 MODUL 1. PENGENALAN EKONOMETRIKA

TUJUAN:
Agar mahasiswa memahami definiSi, arti,
manfaat,keterkaiatan , metode pengujian dalam persamaan
ekononometrika

Pertanyaan :
a. Manakah yang disebut variabel dependen dan
variabel independen? Sebutkan !
b. Jelaskan bagaimana persamaan regresi!
c. Jelaskan bagaimana keterkaitan variabel
independen dengan variabel dependen jika dilihat
dari uji statistik (uji R2, uji F dan uji t)!
d. Jelaskan yang dimaksud uji asumsi klasik atau uji
BLUE?

Jawaban :
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

9
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

10
 ………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………


Disahkan pada tanggal:
Asisten Laporan



(
)
NIM.

11

MODUL 2. MODEL EKONOMETRIKA DAN
PENGENALAN SPSS

Pertanyaan:
1. Jelaskan manfaat dari mempelajari ekonometrika!
2. Jelaskan apa yang anfa ketahui tentang
program SPSS!
3. Jelaskan pengertian dan perbedaan dari
regresi linier sederhana dan regresi linier
berganda!
4. Jelaskan apakah yang dimaksud dengan analisis
regresi!
5. elaskan 3 kriteria uji apa yang harus dipenuhi oleh
persamaan ekonomerika yang valid ?


Lembar Jawaban:
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

12
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

13
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

Disahkan pada tanggal:

Asisten Laporan




NIM

14
 MODUL KE 3. PEMBENTUKAN
MODEL
EKONOMETRIKA

Tujuan:
Agar mahasiswa memahami dan dapat mengaplikasikan
metode pembentukan model grafis dan matematis dalan
ekonometrika.

Soal Latihan :

Kenaikan jumlah konsumsi beras dalam rumah
tangga penduduk sebagai faktor terikat (faktor
dependen) sangat dipengaruhi oleh beberapa faktor
bebas (faktor independent) antara lain tingkat
pendapatan, jumlah penduduk, jenis kelamin, harga
beras itu sendiri, harga produk substitusi, dan
komposisi umum anggota rumah tangga. Faktor
independent atau faktor bebas mempengaruhi tingkat
konsumsi beras baik secara bersama–sama ataupun
secara sendiri–sendiri yang menimbulkan perbedaan
tingkat konsumsi pada setiap rumah tangga
penduduk. Berdasarkan model pendekatan
diagramatis di bawah ini,
1. Jika saudara diminta untuk menyusun persamaan
regresi penduga, menurut saudara bentuk persamaan
linier atau non linier yang paling tepat untuk
penelitian ini? Jelaskan ?
2. Buatlah model persamaan penduga untuk
menganalisis factor- factor yang mempengaruhi
tingkat konsumsi beras rumah tangga penduduk
daerah perdesaan dengan daerah perkotaan di
Kecamatan Lempuing.

15
 3. Tuliskan kemungkinan tanda dari koefisien regresi
penduga untuk setiap variable bebas yang diamati
dalam penelitian ini.



TINGKAT
PENDAPATAN
RUMAH TANGGA

TINGKAT PENDIDIKAN
ANGGOTA RUMAH JENIS
TANGGA KELAMIN


KONSUMSI
BERAS RUMAH
TANGGA

HARGA
KOMPOSISI UMUR BERAS
ANGGOTA RUMAH
TANGGA

JUMLAH ANGGOTA
RUMAH TANGGA /
KELUARGA
Lembar Jawaban:
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

16
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

17
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

Disahkan pada tanggal:
Asisten Laporan


NIM

18

MODUL KE 4. REGRESI LINIER
SEDERHANA

Tujuan Praktikum:
Agar mahasiswa memahami dan dapat mengaplikasi
metode perhitungan dalan regresi linier sederhana
dengan 1 variabel bebas.

Soal :
Suatu studi ekonometrika mencoba menganalisis
pengaruh harga cabe terhadap jumlah produksi cabe di
Sumatera Selatan. Data studi tersebut tersaji dalam tabel
berikut:

Tahun Jumlah produksi cabe/Yi Harga cabe /Xi
Ton/Thn (000 Rp/Kg)
1990 40 10
1991 45 20
1992 50 30
1993 65 40
1994 70 50
1995 70 60
1996 80 70

Diminta:
a. Rumuskan model ekonometrika pengaruh harga
cabe terhadap jumlah produksi dan berikan
keterangan kemungkinan tanda koefisien
regresinya?
b. Lakukan estimasi terhadap persamaan regresi
penduganya ?

19

Lembar Jawaban:
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

20
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

21
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

22
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

23
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
Disahkan pada tanggal:
Asisten Laporan




NIM

24

MODUL KE 5. REGRESI LINIER
BERGANDA

Tujuan Praktikum:
Agar mahasiswa memahami dan dapat mengaplikasi
metode perhitungan dalan regresi linier berganda

Soal :

Diminta:
a. Rumuskan model ekonometrika pengaruh harga cabe
terhadap jumlah produksi dan berikan keterangan
kemungkinan tanda koefisien regresinya?
b. Lakukan estimasi terhadap persamaan regresi
penduganya ?

25
 Lembar Jawaban:
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

26
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

27
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

28
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

29
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
Disahkan pada tanggal:

Asisten Laporan



NIM

30

MODUL KE 6. PENYELESAIAN
REGRESI LINIER
BERGANDA DENGAN
METODE MATRIKS

Tujuan Praktikum:
Agar mahasiswa memahami dan dapat mengaplikasi
metode perhitungan dalan regresi berganda dengan
Metode Matriks

Contoh Perhitungan:

Seorang peneliti akan meneliti apakah ada pengaruh
harga dan pendapatan terhadap konsumsi buah Duren.
Untuk keperluan tersebut diambil sampel secara acak
sebanyak 10 rumah tangga dengan data sebagai berikut:

Diminta:
Lakukan Lakukan estimasi terhadap persamaan
regresi penduganya dengan metode matriks ?

31
 Contoh Perhitungan:

No X1 X2 Y X12 X22 X1X2 X1Y X2Y Y2

1 2 3 5 4 9 6 10 15 25
2 3 4 8 9 16 12 24 32 64
3 5 6 8 25 36 30 40 48 64
4 4 5 9 16 25 20 36 45 81
5 6 7 9 36 49 42 54 63 81
6 2 6 13 4 36 12 26 78 169
7 3 4 6 9 16 12 18 24 36
8 4 5 9 16 25 20 36 45 81
9 5 4 4 25 16 20 20 16 16
10 6 3 3 36 9 18 18 9 9
Jlh. 40 47 74 180 237 192 282 375 626

32



Koefisien Regresi: Y = a +b X +b X +ε
1 1 2 2














Y = 2,5529 -1,0921X +1,9608X +ε
1 2

33
Soal Latihan :

Berikut adalah data tentang Harga Ubi Kayu dan pendaoatan
yang diperkirakan mempengaruhi konsumsi ubi kayu yang
diperoleh!

No Harga Ubi Kayu Pendapatan Konsumsi Ubi
Kayu
1. 60 110 65
2. 70 120 70
3. 75 115 75
4. 80 130 75
5. 80 110 80
6. 90 120 80
7. 95 120 85
8. 95 125 95
9. 100 110 90
10. 100 120 98

Lakukan analisis regresi linier berganda dengan menjawab
pertanyaan-pertanyaan dibawah ini:
1 Buatlah persamaan regresi linier berganda.
2 Variabel apa yang memberikan pengaruh lebih besar terhadap
konsumsi ubi kayu! Jelaskan mengapa?

34
 Lembar Jawaban:
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

35
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

36
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

37
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

38
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

39
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
……………………………………………………………………………………………..

Disahkan pada tanggal:
Asisten Laporan



NIM

40

MODUL 7. REGRESI DENGAN VARIABEL
DUMMY


Tujuan Praktikum:
1. Agar mahasiswa dapat memahami dan membentuk
model regresi dengan variable dummy
2. Agar mahasiswa memahami hasil analisis dengan
variable dummy

Soal Latihan :

1. Jelaskan secara matematis dan grafis tentang Dummy
Intersep .
2. Jelaskan secara matematis dan grafis tentang Dummy
Slope .
3. Jelaskan tentang secara matematis dan grafis Dummy
Intersep dan Slope .

4. Seandainya didapat per samaan regresi sebagai berikut:
Y = 7,43 + 0,207 D2 + 0,164 D3 + 1,226 X dengan R2 =
91,22%
Dimana: Y = Pendapatan Petani
X = pengalaman (tahun)
D2 = 1 ; laki-laki
0 ; perempuan
D3 = 1 ; Penduduk Lokal
0 ; Penduduk Pendatang

41


Diminta:
1. Berapa rata-rata pendapatan petani perempuan yang
berasal dari penduduk pendatang dengan pengalaman 1
tahun?
2. Rata-rata pendapatan petani laki-laki yang berasal dari
penduduk lokal dengan pengalaman 1 tahun?

Lembar Jawaban:
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

42
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

43
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

44
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

45
 ………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

Disahkan pada tanggal:
Asisten Laporan



NIM

46

MODUL KE 8. PENGUJIAN NORMALITAS


Tujuan Praktikum:
Agar mahasiswa memahami dan dapat mempraktikan pengujian
normalitas dalam model ekonometrika

PENDAHULUAN

Pengertian Uji Normalitas
Uji normalitas di maksudkan untuk mengetahui apakah residual
terstandarisasi yang diteliti berdistribusi normal atau tidak.

Yang dimaksud dengan kurva normal adalah:

1. Distribusi normal merupakan suatu kurve berbentuk lonceng.
2. Penyebab data tidak normal, karena terdapat nilai ekstrim dalam
data seri yang diambil.
3. Nilai ektrim adalah nilai yang terlalu rendah atau terlalu tinggi.

Ekstrim Rendah

Ektrim 2,5 -2,58

Tinggi 8
Penyebab munculnya nilai ekstrim
1. Kesalahan dalam pengambilan unit sampel.

47
 Cara mengatasi: Mengganti unit sampel.
1. Kesalahan dalam menginput data.
Cara mengatasi: Memperbaiki input data yang salah.
3. Data memang aneh dibanding lainnya.
Cara mengatasi: Tambah ukuran sampel atau dengan membuang
data yang aneh tersebut
Contoh Data Ekstrim

xi − x 50.000 − 63.333
Z = = = −0439
δ 31.734

48

Cara Mengatasi Ketidaknormalan:
1. Menambah jumlah data.
2. Melakukan transformasi data menjadi Log atau LN atu bentuk
lainnya.
3. Menghilangkan data yang dianggap sebagai penyebab data
tidak normal.
4. Dibiarkan saja tetapi kita harus menggunakan alat analisis
yang lain.

Contoh Pengujian:

Dengan Perhitungan Manual

Langkah Perhitungan manual:
1. Buat persamaan regresinya
2. Mencari nilai Prediksinya
3. Cari nilai residualnya
4. Stadarisasi nilai residualnya
5. Urutkan nilai residual terstandarisasi dari yang terkecil sampai
yang terbesar.
6. Mencari nila Zr relatif komulatif.
7. Mencari nila Zt teoritis berdasarkan tabel Z
8. Mengihitung selisih nilai Zr dengan Zt atau (Zr-Zt-1) dan diberi
simbol Li hitung
9. Bandingkan nilai Li hitung dengan tabel Liliefors.
10. Jika Lihitung > L tabel maka data berdistribusi normal demikian
juga sebaliknya.

49
 Hasil pengujian

SOAL LATIHAN:

Berdasarkan hasil estimasi regresi linier berganda dalam kasus
Ubi Kayu yang telah diberikan pada bagian sebelumnya.
Lakukan analisis normalitas, untuk menjawab apakah data-data
tersebut menyebar normal ?

Lembar Jawaban:
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

50
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

51
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

52
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

53
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

54
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
……………………………………………………………………………………………….
Disahkan pada tanggal:
Asisten Laporan

NIM

55
MODUL 9. PENGUJIAN ASUMSI KLASIK:
Uji Multikolinieritas


Tujuan Praktikum:
Agar mahasiswa memahami dan dapat mempraktikkan tehnik
pengujian multikolinieritas


Pendahuluan

Asumsi Klasik Yaitu:
1. Nilai tengah komponen pengganggu Ui harus = 0 atau E (Ui) =
u = 0 dan
2. Varians komponen pengganggu Ui harus sama dengan
constant (homokedostisiti) E (Ui2) =
3. Tidak terjadi autokorelasi antar komponen pengganggu Ui
dimana E (UiUj) = 0 untuk i j
4. 4.Variabel eksplenatori (Xi) harus non stokastik (konstan
dalam perulangan cuplikan-tidak random). Kalupun stokastik
harus menyebar bebas dari komponen pengganggunya.
Dimana E (XiUi) = 0
5. Tidak terjadi multikolinieriti antar variable eskplenatori Xi.
dimana E (XiXj) = 0 untuk i j

Definisi
1. Uji multikolinieritas berarti terjadi korelasi yang kuat (hampir
sempurna) antar variabel bebas.
2. Tepatnya multikolinieritas berkenaan dengan terdapatnya
lebih dari satu hubungan linier pasti, dan istilah kolinieritas
berkenaan dengan terdapatnya satu hubungan linier.

56
Penyebab
1. Karena sifat-sifat yang terkandung dalam kebanyakan variabel
ekonomi berubah bersama-sama sepanjang waktu.
2. Besaran-besaran ekonomi dipengaruhi oleh faktor-faktor yang
sama.

Cara Menditeksi:
1. Dengan melihat koefesien korelasi antar variabel bebas:
Jika koefesien korelasi antar variabel bebas ≥ 0,7 maka
terjadi multikolinier.
2. Dengan melihat nilai VIF (Varian Infloating Factor):
Jika nilai VIF ≤ 10 maka tidak terjadi multikolinier.

Cara Mengatasi:
1. Memperbesar ukuran sampel
2. Memasukan persamaan tambahan ke dalam model.
3. Menghubungkan data cross section dan data time series.
4. Mengeluarkan suatu variabel dan bias spesifikasi.
5. Transformasi variabel.

Contoh Soal:

Perhitungan nilai VIF
1. Hitung nilai korelasi antar varibel bebas (r)
2. Kuadratkan nilai korelasi antar variabel bebas (r2).
3. Hitung nilai tolenrance (Tol) dengan rumus (1-r2).
4. Hitung nilai VIF dengan rumus 1/TOL
5. Jika VIF < 10, maka tidak terjadi multikolinier.

Hasil Perhitungan:

57



SOAL LATIHAN:

Berdasarkan hasil estimasi regresi linier berganda dalam kasus
Ubi Kayu yang telah diberikan pada bagian sebelumnya.
Lakukan analisis multikolinieritas, untuk menjawab apakah
data-data tersebut mengalami multikolinieritas?

Lembar Jawaban:
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

58
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

59
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

60
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

61
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

62
 ………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

Disahkan pada tanggal:
Asisten Laporan



NIM

63

MODUL KE 10. PENGUJIAN ASUMSI KLASIK:
Heteroskedastisitas


Tujuan Praktikum:

Agar mahasiswa memahami dan mempraktikan berbagai tehnik
pengujian asumsi klasik salah satunya heteroskedastisitas.

Pendahuluan:

Pengertian
Uji heteroskedastisitas berarti adanya varian dalam model yang
tidak sama (konstan).

Penyebab
Variabel yang digunakan untuk memprediksi memiliki nilai yang
sangat beragam, sehingga menghasilkan nilai residu yang tidak
konstan.

CARA MENDITEKSI:
1. Dengan Uji Park
Yaitu dengan meregresikan variabel bebas terhadap nilai log-linier
kuadrat.
2. Dengan Uji Glejser
Yaitu dengan meregresikan variabel bebas terhadap nilai residual
mutlaknya
3. Dengan Uji Korelasi Rank Spearman
Mengkorelasikan nilai residual dengan variabel bebas dengan
menggunakan Rank-spearman.

Cara Mengatasi Heteroskedastisitas
Tambah jumlah pengamatan.
Tranformasikan data ke bentuk LN atau Log atau bentuk laiannya.

64

Contoh Soal:

Langkah Langkah Uji Glejser
1. Regresikan variabel bebas (X) terhadap variabel tergantung (Y).
2. Hitung nilai prediksinya
3. Hitung nilai residualnya
4. Multakan nilai residualnya
5. Regresikan variabel bebas terhadap nilai mutlak residualnya.
6. Jika signifikan berarti terjadi gejala heteroskedastisitas dan
sebaliknya jika tidak signifikan berarti tidak terjadi gejala
heteroskedastisitas.

Hasil Perhitungan:

65


Hasil Nilai Regresi Variabel Bebas terhadap Nilai Mutlak
Residualnya

66


Kesimpulan
• X1 tidak signifikan karena p-value > 0,05 sehingga X1 tidak
terjadi gejala heteroskedastisitas.
• X2 signifikan karena p-value < 0,05 sehingga X2 terjadi
gejala heteroskedastisitas.

SOAL LATIHAN:

Berdasarkan hasil estimasi regresi linier berganda dalam kasus
Ubi Kayu yang telah diberikan pada bagian sebelumnya.
Lakukan analisis heteroskedastisitas. untuk menjawab apakah
data-data tersebut mengalami persoalan heteroskedastisitas.?

Lembar Jawaban:
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

67
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

68
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

69
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

70
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

71
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

Disahkan pada tanggal:
Asisten Laporan


( )
NIM

72
MINGGU KE 11. PENGUJIAN ASUMSI KLASIK:
Autokorelasi

Tujuan Praktikum:

Agar mahasiswa memahami dan mempraktikan berbagai tehnik
pengujian asumsi klasik salah satunya autokorelasi

Pendahuluan:

Pengertian
Uji ini dilakukan untuk mengetahui apakah ada korelasi antara
anggota serangkaian data observasi yang diuraikan menurut waktu
(time series) atau ruang (cross section).

PENYEBAB:
1. Adanya kelembaman waktu
2. Adanya bias spesifikasi model
3. Manipulasi data

Pengujian Autokorelasi
1. Uji Durbin Watson
2. Uji Lagrange Multiplier
3. Uji Breusch-Godfrey


Contoh Soal:

Langkah Pengujian Durbin Watson:

1. Regresikan variabel bebas (X) terhadap variabel tergantung (Y).

73
2. Hitung nilai prediksinya.
3. Hitung nilai residualnya.
4. Kuadratkan nilai residualnya.
5. Lag-kan satu nilai residualnya.
6. Kurangkan nilai residual dengan Lag-kan satu nilai residualnya.
7. Masuk hasil perhitungan diatas masukan kedalam rumus Durbin-
Watson

Hasil Perhitungan:

e = Y-Ypred = 5-6,252=-1,252
2 2
e = = -1,252 = 1,568
et-1 = e mundur 1peiode

e-et-1 = 0,879-(-1,252) = 2,131

2
(e-et-1) = 2,131 = 4,541

∑ (e − e t −1 )2 33,104
DW = 2
= = 3,386
∑e t
9,777

74


0
Y

=2,553
-
1,092X1+1,96
1X2
Tida Tan Tanpa
k pa Kesimp
Otoko dU 4 – dU dL
Otokorel
relasi
asi +
–
4 – dL

Tabel Durbin Watson dk =k,n
K=2 dan n=10
dL = 0,697
dU = 1,641
4-dU = 2,359
4-dL = 3,303

SOAL LATIHAN:

Berdasarkan hasil estimasi regresi linier berganda dalam kasus
Ubi Kayu yang telah diberikan pada bagian sebelumnya.
Lakukan analisis autokorelasi. untuk menjawab apakah data-data
tersebut mengalami persoalan autokorelasi.

Lembar Jawaban:
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

75
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

76
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

77
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

78
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………

79
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
Disahkan pada tanggal:
Asisten Laporan
( )
NIM

80
 DAFTAR PUSTAKA

Baltagi, Bagi. 2005. Econometric Analysis of Panel Data, Third Edition.

John Wiley & Sons.

Kautsoyiannis. 1977. Theory of Econometries: An Introductory

Exposition of Econometries Methods. Second Edition. Harper &
Row Publishers Inc. Inggris.

Nachrowi, N. Djalal dan Hardius Usman. 2006. Pendekatan Populer dan

Praktis Ekonometrika untuk Analisis Ekonomi dan Keuangan,
Jakarta: LPFE Universitas Indonesia.

Pindyck , R. S. and D. L. Rubinfeld. 1991. Econometries Models, and

Economies Forecast. 3rd. ed. McGraw-Hill Edition. Singapore.

Widarjono, Agus. 2007. Ekonometrika: Teori dan Aplikasi Untuk Ekonomi

dan Bisnis, edisi kedua. Yogyakarta: Ekonisia FE Universitas
Islam Indonesia.

Winarno. 2009. Analisis Ekonometrikan dan Statistika Dengan Aplikasi

Eviews. UPP STIM YPKN. Yogyakarta.

81