Pengantar ekonometrika

Lembar kerja 1. Membuat model analisis Ekonometrika

1. Identitas Mahasiswa
Nama : Aisyah. P
NIM : 220906502028
Kelas : B
2. Membuat model
Model Ekonomi:
Y= f + koef X1*XI+ koef X2*X2 + 
Dalam model ini :
Y = Berat Badan , Yang Merupakan Variabel Dependen.
X1 = Pengeluaran Makanan , Variabel Independen Pertama.
X2 = Pengeluaran Transportasi , Variabel Independen Kedua.
ε = Kesalahan Acak Yang Tidak Dapat Dijelaskan Oleh Model
Model Matematis:
Variabel dependen (Y): Berat Badan (kg)
Variabel independen (X1):Pengeluaran Makanan
Variabel independen (X2): Pengeluaran Transportasi
Model ekonomi ini mengasumsikan bahwa berat badan seseorang dipengaruhi oleh
pengeluaran makanan dan pengeluaran transportasi. Dengan kata lain, kita ingin
memahami bagaimana variasi dalam berat badan dapat dijelaskan oleh variabel
pengeluaran makanan dan pengeluaran transportasi.
Model Regresi/Ekonometrik:
Koefisien regresi
Dimana:
Intercept (0) = 26,91337211
Koefisien X1(1) = 0,514014546
Koefisien X2 (2) = 0,321411617
Model regresi adalah sebagai berikut:
Y= 26,91337211+0,514014546* X1+ 0,321411617*X2
Ini adalah model regresi yang menghubungkan berat badan (Y) dengan pengeluaran
makanan (X1) dan pengeluaran transportasi (X2) berdasarkan data.
3. Mendeskripsika Data
Y= Berat Badan
X1= Pengeluaran Makanan
X2= Pengeluaran Transportasi

X1 X2 Y
50 20 60
40 25 55
60 30 65
55 35 70
45 40 62
65 50 75
70 55 80
75 60 85
80 65 90
90 70 95
80 74 93
81 81 94

Nilai Ramalan dan Nilai Eror Data diatas Menggunakan EXCEL

X1 X2 Y Y' Y-Y' (Y-Y')^2

50 20 60 59,04233 0,957668 0,917128
40 25 55 55,50924 -0,50924 0,25933
60 30 65 67,39659 -2,39659 5,74366
55 35 70 66,43358 3,566421 12,71936
45 40 62 62,90049 -0,90049 0,810885
65 50 75 76,3949 -1,3949 1,945742
70 55 80 80,57203 -0,57203 0,327218
75 60 85 84,74916 0,25084 0,062921
80 65 90 88,92629 1,073709 1,152851
90 70 95 95,67349 -0,67349 0,453595
80 74 93 91,819 1,181004 1,394772
81 81 94 94,58289 -0,58289 0,339762
TOTAL 26,12722
Jadi. Nilai eror secara keseluruhan jika dihitung menggunakan EXCEL yaitu:

RMSE= 1,475557
  Untuk nilai eror intercept,X1 DAN X2

COEFFICIENTS STANDARD ERROR T STAT

INTERCEPT 26,91337211 2,618608002 10,27774
X VARIABLE 1 0,514014546 0,074329463 6,915354
X VARIABLE 2 0,321411617 0,058623463 5,482645

 Mencari Regresi Berganda Manual Dengan Bantuan EXCEL:

NO Y X1 X2 X1^2 X2^2 Y^2 X1Y X2Y X1X2

1 60 50 20 2500 400 3600 3000 1200 1000
2 55 40 25 1600 625 3025 2200 1375 1000
3 65 60 30 3600 900 4225 3900 1950 1800
4 70 55 35 3025 1225 4900 3850 2450 1925
5 62 45 40 2025 1600 3844 2790 2480 1800
6 75 65 50 4225 2500 5625 4875 3750 3250
7 80 70 55 4900 3025 6400 5600 4400 3850
8 85 75 60 5625 3600 7225 6375 5100 4500
9 90 80 65 6400 4225 8100 7200 5850 5200
10 95 90 70 8100 4900 9025 8550 6650 6300
11 93 80 74 6400 5476 8649 7440 6882 5920
12 94 81 81 6561 6561 8836 7614 7614 6561
 924 791 605 54961 35037 73454 63394 49701 43106

Sebelum mencari regresi bergandanya kita perlu mencari nilai ∑ x12 yang kecil, ∑ x22 , ∑
y2 besar, x kecil, ∑ x1y, ∑ x2y dan ∑ x1x2 dengan bantuan EXCEL, setelah di peroleh
hasilnya kemudian kita masukan dengan n = 12 yaitu:
Dengan rumus:
n 12
x1^2 2820,917
x2^2 4534,917
y^2 2306
x1y 2487
x2y 3116
x1x2 3226,417

b1 0,514014546
b2 0,321411617
a 26,91337211

Jadi, setelah kita mengitung nilai a, b1 dan b2 menggunakan bantuan excel

didapatkan hasil yaitu :
b1 = 0,514014546
b2 = 0,321411617
a = 26,91337211
kemudian di interpretasikan bahwa nilai :
a = 26,91. Artinya tanpa di pengaruhi oleh variabel apapun, berat badan adalah sebesar
26,91.
b1 = 0,514. Artinya setiap kenaikan pengeluaran makanan sebesar 1 satuan maka, nilai berat
badan akan naik sebesar 0,514 dengan variabel pengeluaran transportasi di anggap konstan
b2 = 0,321. Artinya setiap kenaikan pengeluaran tranportasi 1 satuan, maka berat badan
akan naik sebesar 0,321jika jumblah makanan di anggap konstan.

Nah, sekarang biasa di buktikan apakah nilai regresi yang di cari manual dengan yang di
cari menggunakan data analysis di excel itu sama.

COEFFICIENTS STANDARD ERROR T STAT

INTERCEPT 26,91337211 2,618608002 10,27774

X VARIABLE 1 0,514014546 0,074329463 6,915354

X VARIABLE 2 0,321411617 0,058623463 5,482645

 4. Hasil tabel- tabel output yang memungkinkan menjawab
1. Goodness of Fit R2

Model Summaryb

Std. Error Change Statistics

Mod R Adjusted R of the R Square F Sig. F Durbin-
el R Square Square Estimate Change Change df1 df2 Change Watson
a
1 ,994 ,989 ,986 1,704 ,989 392,672 2 9 ,000 2,798

Nilai Adjusted R2 sebesar 0,986 atau 98,6%. Artinya variabel X1 (Pengeluaran Makanan) dan
X2 (Pengeluaran Transportasi) mempengaruhi variabel Y (Berat Badan) sebesar 98,6% dan
sisanya 1,4% dipengaruhi oleh faktor lainnya.

2. Uji statistik
Hipotesis:
 H1 : Terdapat pengaruh pengeluaran konsumsi (X1) dan pengeluaran transportasi
(X2) secara simultan terhadap berat badan (Y).
 Tingkat signifikansi (α) = 0%
Pengujian H1 dan H2 dengan Uji t
1. Jika nilai sig < 0,00, atau t hitung > ttabel maka terdapat pengaruh variabel independen
(X) terhadap variabel dependepn (Y).

Coefficientsa
Standardiz
ed
Unstandardized Coefficient Collinearity
Coefficients s Correlations Statistics
Zero- Toleran
Model B Std. Error Beta t Sig. order Partial Part ce VIF
1 (Constant) 26,913 2,619 10,278 ,000
pengeluaran
,514 ,074 ,569 6,915 ,000 ,975 ,917 ,245 ,186 5,369
makanan
pengeluaran
,321 ,059 ,451 5,483 ,000 ,964 ,877 ,195 ,186 5,369
trasportasi
a. Dependent Variable: berat badan

2. Jika nilai sig > 0,00, atau t hitung < ttabel maka tidak terdapat pengaruh variabel
independen (X) terhadap variabel dependen (Y)
ttabel = n-k-1
=12-2-1
=9
3,520
 H1 : Diketahui nilai sig pengeluaran makanan (X1) sebesar =0,000 <0,01 dan t hitung
= 6,915 > ttabel = 3,520. Maka, dapat disimpulkan bahwa H1 diterima yang artinya
terdapat pengaruh secara persial Pengeluaran makanan (X1) terhadap Berat Badan
(Y).
 H2: Diketahui nilai sig pengeluaran transportasi (X2) sebesar = 0,000 <0,01 dan
thitung = 5,483 > ttabel = 3,520. Maka, dapat disimpulkan bahwa H2 diterima yang
artinya terdapat pengaruh secara parsial pengeluaran transportasi (X2) terhadap
berat badan (Y).
Pengujian H3 dengan Uji F
1. Jika nilai sig < 0,01 atau Fhitung > Ftabel maka terdapat pengaruh variabel
independen (X) secara simultan terhadap variabel dependen (Y).
2. Jika nilai sig > 0,01 atau Fhitung < Ftabel maka tidak terdapat pengaruh variabel
independen (X) secara simultan terhadap variabel dependen (Y).
Ftabel = k; n-k
=2;10
=7,56

ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 2279,873 2 1139,936 392,672 ,000b
Residual 26,127 9 2,903
Total 2306,000 11
a. Dependent Variable: berat badan
b. Predictors: (Constant), pengeluaran trasportasi, pengeluaran makanan

 H3: Diketahui nilai sig = 0,000 < 0,01 dan Fhitung = 392,672 > Ftabel = 7,56. Maka,
disimpulkan bahwa H3 diterima yang artinya terdapat pengaruh secara simultan
 antara Variabel dependen X1 (pengeluaran Makanan) dan X2 (Pengeluaran
Transportasi) terhadap variabel dependen Y (Berat Badan)

3. Uji Asumsi Klasik

 Normalitas
Pengujian asumsi normalitas error akan dilakukan dengan pendekatan analisis
grafik, yakni histogram (Gambar 2) dan normal probability plot (Gambar 1).
Gambar 1 dan Gambar 2 merupakan output dari SPSS. Apabila kurva pada
histogram berbentuk kurva normal, sehingga disimpulkan bahwa asumsi normalitas
error dipenuhi. Di samping itu pada normal probability plot (Gambar 1), titik-titik
menyebar cukup dekat pada garis diagonal, maka disimpulkan bahwa asumsi
normalitas dipenuhi.

Gambar 1 Gambar 2

 Pada pengujian asumsi normalitas error dengan pendekatan analisis grafik, diketahui
titik- titik mengikuti garis diagonal. Disimpulkan bahwa asumsi normalitas dipenuhi.
 Pengujian asumsi normalitas error dengan pendekatan uji Kolmogorov Smirnov;
Jika nilai probabilitas > tingkat signifikansi, H0 diterima dan H1 ditolak.
Jika nilai probabilitas < tingkat signifikansi, H0 ditolak dan H1 diterima.

One-Sample Kolmogorov-Smirnov Test

Unstandardized
Residual
N 12
a,b
Normal Parameters Mean ,0000000
Std. Deviation 1,54116908
Most Extreme Differences Absolute ,213
Positive ,213
Negative -,113
 Test Statistic ,213
Asymp. Sig. (2-tailed) ,140c
a. Test distribution is Normal.
b. Calculated from data.
c. Lilliefors Significance Correction.

Dari hasil uji diatas, diketahui nilai probabilitas = 0,140 > sig = 0,01. Maka H0
diterima dan H1 ditolak yang artinya asusmsi normalitas terpenuhi.

 Autokorelasi
Untuk menguji asumsi independensi dari error, dapat digunakan uji Durbin Watson.
Field (2009) menyatakan nilai statistik dari uji Durbin-Watson yang lebih besar dari
(greater than) 2 atau lebih kecil (less than) dari -2 diindikasi terkena gejala
autokorelasi.

Model Summaryb

Std. Error Change Statistics

Mod R Adjusted R of the R Square F Sig. F Durbin-
el R Square Square Estimate Change Change df1 df2 Change Watson
1 ,994a ,989 ,986 1,704 ,989 392,672 2 9 ,000 2,798

Nilai durbin watson pada distribusi tabel diatas adalah 2,798. Nilai tersebut tidak
berada di antara -2 dan 2 atau > 2. Sehingga disimpulkan bahwa terdapat gejala
autokorelasi.
 Heteroskedastitas/homoskedastitas
Untuk mendeteksi terjadinya gejala heteroskedastisitas dapat dilakukan dengan
menggunakan analisis grafis dari residu atau menggunakan uji Park. Dalam metode
analisis residu grafis, sumbu horizontal mewakili nilai perkiraan dari variabel terikat
standar (nilai prediksi regresi standar ), sedangkan sumbu vertikal mewakili nilai
residu. Jika sebaran titik-titik pada histogram analisis residu meluas secara acak
(tanpa pola sistematis) disekitar nol (interval nol), maka hal ini menunjukkan tidak
terjadi heteroskedastisitas, namun jika titik-titik pada plot analisis residu tidak
menyebar secara acak (membentuk pola), maka menunjukkan telah terjadi
heteroskedastisitas.
 Pengujian dengan pendekatan analisis grafik residual
 Gambar 3
Output SPSS untuk uji asumsi homoskedastisitas dengan pendekatan analisis
grafik residual disajikan pada Gambar 3. Berdasarkan grafik pada Gambar 3,
titik-titik menyebar secara acak di sekitar 0, sehingga diindikasi tidak terjadi
heteroskedastisitas.
  Pengujian dengan pendekatan uji Park

Berdasarkan tabel hasil pengujian diatas diketahui bahwa nilai probabilitas (Sig)
untuk X1 = 0,531 dan X2 = 0,297 < α = 0,01. maka disimpulkan bahwa tidak
terjadi heteroskedastisitas. Dengan kata lain, asumsi mengenai homoskedastisitas
dipenuhi.

95,0%
Unstandardized Standardized Confidence Collinearity
Coefficients Coefficients Interval for B Statistics
Std. Lower Upper
Model B Error Beta t Sig. Bound Bound Tolerance VIF
1 (Constant) 1,217 1,448 ,840 ,423 -2,060 4,493

pengeluaran -
-,036 ,032 -,778 ,297 -,109 ,037 ,186 5,369
trasportasi 1,107
pengeluaran
,027 ,041 ,457 ,651 ,531 -,066 ,120 ,186 5,369
makanan

 Multikolonieritas
Untuk mendeteksi apakah terindikasi terjadi gejala multikolinieritas atau tidak, dapat
digunakan pendekatan nilai VIF (variance inflation factor) atau nilai tolerance. Nilai
VIF dari masing-masing variabel bebas dihitung dengan maksud untuk mendeteksi
apakah terindikasi terjadi gejala multikolinieritas atau tidak. Nilai VIF yang lebih
besar dari 10 diindikasi terjadi multikolinearitas (Myers dalam Steven, 2009).
 Coefficientsa
Standardiz
ed
Unstandardized Coefficient Collinearity
Coefficients s Correlations Statistics
Zero- Toleran
Model B Std. Error Beta t Sig. order Partial Part ce VIF
1 (Constant) 26,913 2,619 10,278 ,000
pengeluaran ,245
,514 ,074 ,569 6,915 ,000 ,975 ,917 ,186 5,369
makanan
pengeluaran
,321 ,059 ,451 5,483 ,000 ,964 ,877 ,195 ,186 5,369
trasportasi
a. Dependent Variable: berat badan

Berdasarkan tabel hasil pengujian diatas diketahui nilai VIF Pengeluaran Makanan
(X1) dan Pengeluaran Transportasi (X2) = 5,369 < 10. Dan nilai Tolerance
Pengeluaran Makanan (X) dan Pengeluaran Transportasi (X2) = 0,186 > 0,1. Maka
dapat disimpulkan bahwa tidak terjadi multikolinieritas.