CATETAN EKONOMET ARIE

REGRESI 3

UJI ASUMSI KLASIK 3

Multikolinearitas 3
- VIF 3
Penyembuhan Multikolinearitas 3
- log 3
- kuadrat 3
Heteroskedastistas 4
- Metode Park 4
- Metode Glejser 4
- Korelasi Spearman 4
- Breusch Pagan 4
- White 5
Penyembuhan Heteroskedastistas 5
- Robust 5
Autokorelasi 5
- Durbin Watson 5
- Bruesch-Godfrey 5
Penyembuhan Autokorelasi 6
- First Difference 6
Normalitas 6
- Shapiro Wilk 6
- Shapiro Francia 6
- Skewness Kurtosis 6
- Skewness Kurtosis (Suppress Royston Adjustment) 6
Penyembuhan Normalitas 6

MODEL REGRESI KUALITATIF 6

- Model Logit 6
- Model Probit 7

DATA PANEL 8
Pemilihan Model 8
- CEM vs FEM Chow Test 9
- FEM vs REM Haussman Test 9
- REM vs CEM Lagrange Test 9
Cara Regresi 9
- CEM 9
- FEM 9
- REM 10
Perbedaan FEM dan REM 10

REGRESI VARIABEL INSTRUMEN 10

- Uji Endogenitas 10

1
- Uji Relevansi 11
- Uji Eksogenitas 11

2
Stata Rumus
reg y x = regresi

REGRESI

1. Cek signifikan
2. Uji koefisien u/ mengetahui setiap 1 x memengaruhi coef y (Interpretasi = Jika x
bertambah sebesar 1 satuan, maka memengaruhi sebesar sekian y)
3. Uji F dicek di prob > F
4. jika uji T tidak signifikan tapi F signifikan = Gejala Multikol
5. data kualitatif langsung regresi seperti biasa

UJI ASUMSI KLASIK

Multikolinearitas

- VIF
regresi seperti biasa terlebih dahulu, baru masukkan syntax
syntax =
vif
CARA BACA
vif < 10 tidak ada multi

Penyembuhan Multikolinearitas

hapus var ind, transformasi data (log/kuadrat/akar/dll), ,tambah data (penyembuhan

disarankan pakai transformasi data, data yang ditransformasi adalah data seluruh variabel)
contoh transformasi data

- log
syntax =
gen ln_y=log(y)
gen ln_x=log(x)
dan seterusnya

- kuadrat
syntax =
y_kuadrat=y^2
x_kuadrat=x^2
dan seterusnya

NEXT STEP
setelah semua data sudah disembuhkan, regresikan kembali menggunakan variabel yang
sudah ditransformasi,
contoh =
reg ln_y ln_x

3
PERHATIKAN
setelah data ditransformasi, jangan lupa cek vif kembali, seharusnya data sudah sembuh.
apabila masih ada gejala multikolinearitas, transformasi ulang menggunakan cara yang lain
(jika sudah log bisa coba kuadrat)

Heteroskedastistas

H0=Homoskedastistas (tidak signifikan)

H1=Heteroskedastistas (signifikan)
Pada dasarnya heteroskedastistas adalah residual signifikan terhadap variabel independen

- Metode Park
regresi ln e^2 ln x
syntax =
reg y x
predict resid, resid
gen resid_kuadrat=resid^2
gen ln_resid_kuadrat=log(resid_kuadrat)
gen ln_x=log(x)
reg ln_resid_kuadrat ln_x
CARA BACA
dilihat dr nilai t statistik dgn t tabel (perhatikan df (n-k), uji dua sisi), jika nilai t statistik lebih
besar dari nilai t tabel berarti hetero, sebaliknya homo

- Metode Glejser
regresi |e| x
syntax =
reg y x
predict resid, resid
gen abs_resid=abs(resid)
reg abs_resid x
CARA BACA
lihat signifikan/tidak signifikan pd alpha, jika kurang dari 0.05 berarti signifikan/hetero,
sebaliknya tidak signifikan/homo

- Korelasi Spearman
syntax =
reg y x
predict resid, resid
gen abs_resid=abs(resid)
spearman abs_resid x
CARA BACA
dilihat dr nilai t statistik dgn t tabel (perhatikan df (n-k), uji dua sisi), jika nilai t statistik lebih
besar dari nilai t tabel berarti hetero, sebaliknya homo

- Breusch Pagan
syntax =
reg y x

4
hettest
CARA BACA
lihat signifikan/tidak signifikan pd alpha, jika kurang dari 0.05 berarti signifikan/hetero,
sebaliknya tidak signifikan/homo

- White
syntax =
reg y x
imtest, white
CARA BACA
lihat signifikan/tidak signifikan pd alpha, jika kurang dari 0.05 berarti signifikan/hetero,
sebaliknya tidak signifikan/homo

Penyembuhan Heteroskedastistas

- Robust
syntax =
reg y x, robust

Cek Grafik
syntax =
twoway (scatter y x) (lfit y x)

Detail Data
sysuse auto
tabstat y x, stat(N mean sd var semean)

Autokorelasi

- Durbin Watson
syntax =
tsset vartime
reg y x
dwstat
CARA BACA
lihat nilai dari dwstat, lalu bandingkan dengan dL dan dU dari tabel durbin watson, kemudian
disimpulkan sbg berikut :
0 < d < dL = autokorelasi positif
dL < d < dU = daerah keraguan
4-dL < d < 4 = autokorelasi negatif
4-dU < d < 4- dL = daerah keraguan
dU < d < 4-dU = tidak ada autokorelasi

- Bruesch-Godfrey
syntax =
tsset vartime
reg y x
bgodfrey

5
CARA BACA
dilihat dari prob>chi2, apabila kurang dari alfa (5%) maka terjadi autokorelasi (H0 ditolak, H1
diterima) begitu pula sebaliknya

Penyembuhan Autokorelasi

- First Difference
dicari dari selisih antar observasi dari waktu ke waktu, kemudian hasil selisih tersebut
diregresi ulang (berlaku untuk semua variabel)
syntax (eviews) =
d(y) c d(x1) d(x2)
- Cocharane-Orcutt
- Robust Standard Error
- Newey West

Normalitas

- Shapiro Wilk
syntax =
swilk var

- Shapiro Francia
syntax =
sfrancia var

- Skewness Kurtosis
syntax =
sktest var

- Skewness Kurtosis (Suppress Royston Adjustment)

syntax =
sktest var, noadjust
CARA BACA
dilihat dari prob>z atau prob>chi2, jika lebih dari alfa (5%) maka data berdistribusi normal

Penyembuhan Normalitas

- membuang outliers (data yang memiliki skor ekstrem, atau diluar rata-rata *bisa terlalu
tinggi atau terlalu rendah)
- transformasi data

MODEL REGRESI KUALITATIF

Model Regresi Kualitatif adalah model regresi dimana variabel dependen (Y) berbentuk
respon kualitatif yang dimana menggunakan dummy (1 / 0) biasanya model respon kualitatif
itu digunakan untuk mengukur peluang antara benar atau salah

6
- Model Logit
syntax :
logit y x

- Model Probit
syntax :
probit y x

CARA BACA :
- interpretasi signifikansi
dilihat dulu dari tabelnya, jika nilai P>|z| tidak signifikan, maka tidak perlu diinterpretasikan.
tidak signifikan adalah lebih dari 0.05 atau alpha yang ditentukan.
(variabel x (berpengaruh/tidak berpengaruh) signifikan (positif/negatif)
terhadap variabel y)
- interpretasi koefisien regresi logistik
langsung dibaca sebagai berikut dengan meilhat kolom coefficient di tabel regresi. lalu
masukkan angka coefficient nya
(jika x meningkat sebesar (1 satuan), maka probabilitas logistik y secara
rata-rata akan meningkat sebesar (koefisiennya) )
- interpretasi koefisien regresi logistik dummy
jika variabel x yang ingin diinterpretasikan adalah variabel dummy, maka dijelaskan sbg
berikut
(yang x memiliki probabilitas logistik y lebih tinggi secara rata-rata sebesar
(koefisien) daripada yang tidak x)
- interpretasi odds ratio dari koefisien regresi logistik
sama seperti interpretasi diatas, akan tetapi nilai dari koefisien dilakukan antilog (exp)
sehingga dibaca sbg berikut
(jika x meningkat sebesar (1 satuan), maka kemungkinan y secara rata-rata
akan meningkat sebesar (antilog koefisien) kali)
- interpretasi odds ratio dari koefisien regresi logistik dummy
sama seperti interpretasi diatas, akan tetapi nilai dari koefisien dilakukan antilog (exp)
sehingga dibaca sbg berikut
(yang x memiliki kemungkinan y lebih tinggi secara rata-rata sebesar (antilog
koefisien) kali daripada yang tidak x)
- jika ingin dimasukkan nilai koefisien, menggunakan rumus Pi=1/(1+e^-Zi)
dimana e=ln atau e=2.71828182845904
dan zi adalah nilai modelnya

CONTOH BACA (INI YANG MASUK UAS JADI DIBACA YA)

dilihat dulu dari tabelnya, jika nilai P>|z| tidak signifikan, maka tidak perlu diinterpretasikan.
tidak signifikan adalah lebih dari 0.05 atau alpha yang ditentukan.

7
y = Kepemilikan rumah
x1 = Pendapatan (x $1000)
x2 = Status Pernikahan (Dummy, 1=Menikah 0=Tidak Menikah)
x3 = Jumlah Keluarga (Orang)
x4 = Tingkat Pendidikan Kepala Keluarga (Tahun)
x5 = Umur Kepala Keluarga (Tahun)
umpamakan kita akan mengiterpretasikan hasil regresi diatas, maka dijelaskan seperti
dibawah
INTERPRETASI KOEFISIEN REGRESI LOGISTIK
masing-masing variabel independen HARUS dijelaskan interpretasinya, contoh
sebagai berikut untuk masing-masing variabel x nya
- jika Pendapatan meningkat sebesar $1000, maka probabilitas logistik memiliki rumah
secara rata-rata akan meningkat sebesar 0.0084418
- orang yang menikah memiliki probabilitas logistik memiliki rumah lebih tinggi secara
rata-rata sebesar 1.078795 daripada yang tidak menikah (interpretasi dummy)
- jika Jumlah Keluarga meningkat sebesar 1 orang, maka probabilitas logistik memiliki
rumah secara rata-rata akan meningkat sebesar 0.046024 (YANG INI JANGAN
DITULIS KARENA P>|z| TIDAK SIGNIFIKAN, SEHINGGA TIDAK AKURAT)
- jika Tingkat Pendidikan Kepala Keluarga meningkat sebesar 1 Tahun, maka
probabilitas logistik memiliki rumah secara rata-rata akan meningkat sebesar
0.1308953
- jika Umur Kepala Keluarga meningkat sebesar 1 Tahun, maka probabilitas logistik
memiliki rumah secara rata-rata akan meningkat sebesar 0.0554792

INTERPRETASI ODDS RATIO DARI KOEFISIEN REGRESI LOGISTIK

ini adalah interpretasi akhirnya yang menjelaskan secara langsung kemungkinannya,
caranya adalah nilai dari koefisien diatas di antilog (exp)

- jika Pendapatan meningkat sebesar $1000, maka kemungkinan Memiliki Rumah

secara rata-rata akan meningkat sebesar 1.008477532 kali
- jika orang Menikah, maka kemungkinan Memiliki Rumah secara rata-rata akan
meningkat sebesar 2.941133349 kali daripada yang tidak Menikah (interpretasi
dummy)

8
 - jika meningkat sebesar 1, maka kemungkinan Memiliki Rumah secara rata-rata akan
meningkat sebesar 1.047099541 kali (YANG INI JANGAN DITULIS KARENA P>|z|
TIDAK SIGNIFIKAN, SEHINGGA TIDAK AKURAT)
- jika Tingkat Pendidikan Kepala Keluarga meningkat sebesar 1 tahun, maka
kemungkinan Memiliki Rumah secara rata-rata akan meningkat sebesar
1.139848433 kali
- jika Umur Kepala Keluarga meningkat sebesar 1 tahun, maka kemungkinan Memiliki
Rumah secara rata-rata akan meningkat sebesar 1.05704703 kali

DATA PANEL

model terbagi menjadi 3, ada common, fixed, dan random.

syntax awal :
xtset (cross section) (time series), (satuan waktu)
encode (cross section), gen(cross section 1) (digunakan bila variabel cross section masih
belum berbentuk angka

notes :
common tidak rasional karena tiap variabel punya karakter yg berbeda, jadi biasanya
digunakan hanya hausman saja (gujarati cuy yg ngomong, baca di bab pooled OLS panel
data)

Pemilihan Model

(biasanya ditampilkan di lampiran skripsi)

- CEM vs FEM Chow Test

H0 = CEM ; H1 = FEM
syntax :
xtreg y x, fe
CARA BACA
lihat dari prob>F nya, apabila kurang dari alfa (0,05) berarti H1 diterima, begitu sebaliknya

- REM vs FEM Haussman Test

H0 = REM ; H1 = FEM
syntax :
quietly xtreg y x, fe
estimates store fe

9
quietly xtreg y x, re
estimates store re
hausman fe re
CARA BACA
dilihat dari Prob>chi2 nya, apabila kurang dari alfa berarti H1 diterima, begitu sebaliknya

- CEM vs REM Lagrange Test

H0 = CEM ; H1 = REM
syntax :
xtreg y x, re
xttest0
CARA BACA
dilihat dari Prob>chibar2 nya, apabila kurang dari alfa berarti H1 diterima, begitu sebaliknya

CONTOH BACA
jika misal kita didapatkan dengan hasil Chow Test Signifikan, Haussman Test Tidak
Signifikan, dan Lagrange Test Signifikan, maka tabelnya sbg berikut

10
 Test Common Fixed Random

Chow V

Hausman V

LM V

JIKA KITA MENDAPAT 3 HASIL SEIMBANG SEPERTI DIATAS, MAKA KITA

MENGGUNAKAN HASIL DARI HAUSMAN TEST, KARENA PADA DASARNYA
COMMON EFFECT MODEL TIDAK VALID JIKA DIGUNAKAN UNTUK DATA PANEL.

Maka dari itu diatas menggunakan Random Effect Model

Cara Regresi

- CEM
syntax :
reg y x

- FEM
syntax :
xtreg y x, fe

- REM
syntax :
xtreg y x, re

Perbedaan FEM dan REM

- random menggunakan GLS sedangkan fixed menggunakan OLS

- random karena menggunakan GLS tidak perlu uji asumsi klasik, sedangkan fixed perlu uji
asumsi klasik

Uji Asumsi Klasik Data Panel

- REM
Normalitas
syntax :
predict residual_re, ue/xb
swilk residual_re
histogram residual_re, normal
cara baca normalitas buat bentuk histogramnya itu mancung tengah, bentuk segitiga
Multikolinearitas
syntax :
vif, uncentered
corr x1 x2 x3 x4

11
 vif < 10 aman, cara baca correlation diatas 0.75 terindikasi multikol
Liniearitas
syntax :
twoway (scatter y x1) (lfit y x1)
twoway (scatter y x2) (lfit y x2)
twoway (scatter y x3) (lfit y x3)
twoway (scatter y x4) (lfit y x4)
usahain semua garisnya searah dan sesuai teori, naik turunnya y dan x rasional

- FEM
Sama seperti REM, tapi ditambah dibawah ini
Heteroskedastistas
syntax :
xtreg y x1 x2 x3 x4, fe
xttest3 (kalo gabisa ketik ini dulu : ssc install xttest3)
kalo signifikan brarti heteros, kalo ngga ya aman
Autokorelasi
syntax :
xtreg y x1 x2 x3 x4, fe
xtserial y x1 x2 x3 x4 (kalo gabisa ketik ini dulu : net install st0039)
kalo signifikan brarti autokol, kalo ngga ya aman

REGRESI VARIABEL INSTRUMEN

variabel instrumen adalah variabel yang relevan terhadap variabel endogen, akan tetapi
eksogen terhadap error. maka dari itu perlu diketahui hubungan antara variabel endogen
dengan error (uji endogenitas), lalu variabel endogen dengan variabel instrumen (uji
relevansi), dan yang terakhir variabel instrumen dengan error (uji eksogenitas)

Y = Variabel Dependen
X = Variabel Endogen
W = Variabel Eksogen
Z = Variabel Instrumen.

12
jika uji dibawah semua terpenuhi maka model bisa diregresi dengan 2SLS (2 Stage
Least Square) dengan cara
syntax =
ivreg (vardependen) (varendo=varinstrumen) (varekso)

CONTOH
Vardependen = Y
Varendo = x1
Varekso = x2 x3 x4
Varinstrumen = z1 z2

- Uji Endogenitas
syntax =
reg (varendo) (varekso) (varinstrumen)
predict resid, resid
reg (vardependen) (varekso) (varendo) resid
CARA BACA
jika residual signifikan (dilihat dari P>|t| jika kurang dari 0.05 maka signifikan), maka
(varendo) merupakan variabel endogen

13
- Uji Relevansi
syntax =
reg (varendo) (varekso) (varinstrumen)
CARA BACA
jika varinstrumen (SEMUA Z) signifikan (dilihat dari P>|t| jika kurang dari 0.05 maka
signifikan), maka varinstrumen relevan dengan varendo

- Uji Eksogenitas
syntax =
ivreg (vardependen) (varendo=varinstrumen) (varekso)
predict resid_tsls, resid
reg resid_tsls (varinstrumen) (varekso)
CARA BACA
dilihat dari signifikan (varinstrumen) (dilihat dari P>|t| jika kurang dari 0.05 maka signifikan),
jika varinstrumen (SEMUA Z) tidak signifikan maka eksogen

14
15