B Indo
B Indo
• t-statistic yg signifikan
• F-statistic yg signifikan
• R2 atau Adjusted R2 yg tinggi
Coefficient of Determination (R2)
Confidence
Coefi- Interval
Variable SE t (df = 7)
cient
Lower Upper
SE : Standard Error
t (df) : t-statistic
t /2 : t-table
ANALISIS DATA
ANALISIS TIME SERIES
DATA TIME SERIES ADALAH DATA RUNTUTAN WAKTU DIMANA,
DAPAT BERUPA DATA TAHUNAN, KUARTALAN, BULANAN,
MINGGUAN HARIAN, BAHKAN DATA PER JAM.
ANALISIS TIME SERIES BIASANYA MENGASUMSIKAN BAHWA DATA
MASA LALU DAPAT MEMPENGARUHI MASA DEPAN, TETAPI TIDAK
SEBALIKYA.
DALAM ANALISIS TIME SERIES TERDAPAT DUA MODEL YANG UMUM
DIGUNAKAN:
1. MODEL STATIK: MODEL YANG MENGHUBUNGAN SECARA
BERSAMAAN VARIABEL INDEPENEN DAN VARIABEL DE DEPENEN
DALAM SATU WAKTU:
MIS: MODEL UNTUK MENGETAHUI TRADE OFF SECARA
BERSAMAAN ANTARA INFLASI (Inft) DENGAN PENGANGGURAN
(Unemt) (MANKIW: 1994) : Inft = βt + Unemt + ut
2. MODEL DINAMIK
Biasa disebut Model Finite distributed Lag Model
(FDL), yaitu model yang memiliki satu atau lebih
variabel independen yang mempengaruhi veriabel
dependen tetapi dengan lag tertentu.
CONTOH: yt = a + bXt + cXt-1 + dXt-3 + ut
Ada beberapa syarat dalam menganalisis data time
series: diantaranya masalah stasionaritas
DATA time series dikatakan stasioner jika: rata-rata,
varians dan covarian (pada berbagai lag) tetap sama
tidak masalah pada titik waktu mana dihitungnya,
yang berarti tidak bervariasi antar waktu. Atau:
- Mean : E(Yt) = µ
- Variance : Var(Yt) = E(Yt- µ)2 = σ2
- Covariance : Yk = E[(Yt - µ)(Yt+k- µ)]
k adalah lag variabel
Uji stasioner
• Tidak ada cara yang spesifik untuk mengatasi kolinearitas, tetapi ada
beberapa cara dapat dilakukan:
1. Informasi Apriori. Misalnya: Y = 0 + 1X1 + 2X2 + u
di mana Y = konsumsi, X1 = pendapatan dan X2 = kekayaan, X1 dan X2
cenderung sangat kolinear.
MISALNYA ada teori atau studi empiris yang mengatakan bahwa dampak
dampak X2 terhadap Y lebih kecil dibanding dampak X1 terhadap Y atau
lebih spesifik lagi misalnya ΔY terhadap X2 25% ΔY terhadap X1.
Akibatnya dalam model kita dapat tambahkan informasi:
2 = 0,25 1, sehingga kita dapat melakukan perubahan regresi sebagai
berikut:
Y = 0 + 1X1 + 0,251X2 + u
Y = 0 + 1 (X1 + 0,25X2) + u
Y = 0 + 1X + u
Di mana X = X1+ 0,25X2
setelah 1 ditaksir, maka 2 dapat dicari melalui hubungan formula
berikut: 2 = 0,251.
CONTOH ILUSTRATIF: Kons Pend Kekayaan
(Y) (X2) (X3)
• Dari tabel sebelah diperoleh regresi:
40 50 500
Ỳ = 24,77 + 0,94X2i - 0,04X3i 50 65 659
65 80 856
(SE) = (6,75) (0,82) (0,08)
t = (3,67) (1,14) (-0,52) 90 110 1136
Asumsi yang harus dipenuhi agar taksiran parameter dalam model bersifat BLUE:
1. Cov ( ei, ej ) = 0; i≠j artinya tidak ada korelasi antara eidan ej untuk i≠j ( E (ei, ej)
= i≠ j ).
jadi autokorelasi adalah korelasi antara variabel itu sendiri, pada pengamatan yang
berbeda waktu atau individu. Otokorelasi sering terjadi pada data time series.
2. Cara mendeteksi, dapat dilakukan dengan melihat pola hubungan antara residu
(eii) dan variabel bebas atau waktu (X)
(ei) (ei)
` (Waktu/X) (Waktu/X)
DAMPAK DARI OTOKORLASI YANG DIPEROLEH DENGAN MENGGUNAKAN OLS
TIDAK LAGI BLUE, NAMUN MASIH TAK BIAS, DAN KONSISTEN. SEHINGGA
INTERVAL KEPERCAYAAN MENJADI LEBIH LEBAR, DAN UJI SIGNIFIKAN
KURANG KUAT. AKIBATNYA UJI t DAN UJI F TIDAK DAPAT DILAKUKAN, ATAU
HASILNYA TIDAK AKAN BAIK. SECARA KONSEPTUAL:
* Ada otokorelasi bila E (ui, uj) ≠ 0; i≠j
* Tidak ada otokorelasi bila E (ui, uj) = 0; i≠j
MENDETEKSI OTOKORLASI
Uji Durbin-Watson merupakan yang paling populer, cara :
1. hitung d dengan formula:
N
Σ (ût– ût-1)2
t=2 PERLU DIINGAT MODEL:
d = --------------- Yt = β1 + β2X1 + ut SEHINGGA:
N Ût = Yt – β1 – β2 Xt SELANJUTNYA:
Σ ût 2
t=2
Σ ût– ût-1
d = 2 (1 - -------------)= 2(1-ρ) ρ = koefisien otokorelasi
Σût2 -1≤ ρ ≤1. SEHINGGA -0 ≤ d ≤ 4
di mana :
Σ (ût– ût-1 1. Pada saat ρ= 0, d=2; tidak ada korelasi
ρ = ---------------- 2. Pada saat ρ= 1, d=0; ada korelasi positif
Σ(ût2 3. Pada saat ρ=-1, d=4; ada korelasi positif
PENGAMATAN KASAR:
Bila d dekat dengan 2, ρ akan dekat dengan 0, jadi tidak ada korelasi.
Ada uji yang lebih spesifik, menggunakan tabel Durbin-Watson
dengan melihat dU dan dL
Langka-langkah uji Durbin-Watson
1. Run OLS sehingga diperoleh ûi
2. Hitung d. (dalam paket program statistik, nilai d sudah dihitung)
3. Bila besar n dan k diketahui, dU dan dL dapat dicari dalam tabel
4. Gunakan aturan uji Durbin-Watson sbb:
HIPOTESIS Ho : ρ ≠ 1
Ho* : ρ ≠ -1
Bandingkan nilai d yang dihitung dengan nilai dU dan dL dari tabel dengan aturan sbb :
1. Bila d < dL tolak Ho ; berarti d korelasi positif atau kecenderungannya ρ = 1
2. Bila dL ≤ d ≤ dU ; kita tidak akan mengambil keputusan apa-apa
3. Bila dU <d ≤ 4 – dU ; jangan tolak Ho maupun Ho*
4. Bila 4 - dU ≤ d ≤ 3 - dL ; kita tidak dapat mengambil keputusan apa.
5. Bila d > 4 – dL ; tolak Ho* ; berarti ada korelasi negatif
d dL dU 4-dU 4-dL 4
Cara pengobatan Otokorelasi
Secara umum otokorelasi sulit untuk mengatasinya. Transfprmasi
logaritma dapat mengurangi korelasi. Bila terdapat data negatif
yang menyulitkan untuk ditransformasi logaritma.
HASIL REGRESI Y = ∫(X1, X2)
• Dependent Variable: Y
• Method: Least Squares
• Date: 11/03/07 Time: 14:35
• Sample: 1 30
• Included observations: 30
•
• Variable Coefficient Std. Error t-Statistic Prob.
•
• C -1.052573 1.748428 -0.602011 0.5661
• X1 0.722191 0.184921 3.905416 0.0059
• X2 0.501384 0.199165 2.517422 0.0400
•
• R-squared 0.729662 Mean dependent var 6.000000
• Adjusted R-squared 0.652423 S.D. dependent var 2.108185
• S.E. of regression 1.242894 Akaike info criterion 3.516088
• Sum squared resid 10.81350 Schwarz criterion 3.606863
• Log likelihood -14.58044 F-statistic 9.446776
• Durbin-Watson stat 1.593215 Prob(F-statistic) 0.010272
LANGKAH-LANGKAHnya SBB:
• Urutan pengamatan berdasarkan nilai X dari kecil ke besar
• Abaikan beberapa pengamatan sekitar median, katakanlah sebanyak c
pengamatan
• Sisanya, masih ada (N-c) pengamatan.
• Lakukan regresi pada pengamatan (N-c/2) yang pertama, hitung RSS1,
Residual Sum of Squares pertama.
• Lakukan regresi pada pengamatan (N-c/2) yang kedua, hitung RSS2,
Residual Sum of Squares kedua.
1. Hitung λ = (RSS2/df2) / (RSS1/df1) ; df = degree of freedom: banyaknya
pengamatan dikurangi banyaknya parameter yang ditaksir.
2. Lakukan Uji F. Bila λ > F, tolak hipotesis yang menyatakan yang
menyatakan data mempunyai varian yang homoskedastisitas.
Cara mengatasi heteroskedastisitas
1. Metode Generalized Least Squares (GLS)
Model 1/σi
Yi = βo + β1Xi + ei dengan Var (ei ) = σi2
2. Transformasi Logaritma
Cara tersebut di atas cukup rumit, karena memerlukan
pengetahuan matematika dan statistika, cara yang sering
digunakan adalah transformasi logaritma.
Prinsip ini akan membuat perbedaan nilai akan lebih kecil.
Katakanlah angka 10 dan 5, perbedaannya adalah 5. akan
tetapi beda antara ln 10 = 2,3 dan ln5=1,6, perbedaannya
dapat lebih kecil.sehingga diharapkan data yang hetero
dapat menjadi homos.
• TABLE I.1 DATA ON Y (PERSONAL CONSUMPTION EXPENDITURE)
• AND X (GROSS DOMESTIC PRODUCT, 1982–1996), BOTH
• IN 1992 BILLIONS OF DOLLARS
• Year Y X
• 1982 3081.5 4620.3
• 1983 3240.6 4803.7
• 1984 3407.6 5140.1
• 1985 3566.5 5323.5
• 1986 3708.7 5487.7
• 1987 3822.3 5649.5
• 1988 3972.7 5865.2
• 1989 4064.6 6062.0
• 1990 4132.2 6136.3
• 1991 4105.8 6079.4
• 1992 4219.8 6244.4
• 1993 4343.6 6389.6
• 1994 4486.0 6610.7
• 1995 4595.3 6742.1
• 1996 4714.1 6928.4
• Source: Economic Report of the President, 1998, Table B–2, p. 282.
ESTIMASI PERSAMAAN ECM
(ERROR CORRECTION MODELS)