Materi 8 Regresi DGN Eviews 2021 1

ANALISIS REGRESI
dengan EViews
Tim Dosen Statistika 2
STIE YKPN Yogyakarta
@Hak Cipta STIE YKPN 2021

Pendahuluan
• EViews adalah program aplikasi komputer yang dapat digunakan untuk

mengolah data penelitian dengan statistik dan ekonometri.
• EViews merupakan kelanjutan dari program aplikasi MicroTSP, yang
dikeluarkan pada tahun 1981.
• Aplikasi EViews dibuat pertama kali oleh Quantitative Micro Software
(QMS) yang berada di Irvine, California, Amerika Serikat.
• Program EViews sering digunakan untuk mengolah data penelitian dengan
data sekunder
• Program EViews sangat powerful untuk data time series

• Selain digunakan untuk mengolah data time series, EViews juga dapat
digunakan untuk data cross section dan data panel (pooled)
• Data time series adalah data satu individu beberapa periode. Misalnya data
laju inflasi Indonesia dari tahun 2000 s.d tahun 2020.
• Data cross section adalah data beberapa individu dalam satu periode.
Misalnya data laju inflasi 34 provinsi di Indonesia pada tahun 2020.
• Data panel (poled) adalah gabungan data time series dan data cross section.
Misalnya data laju inflasi 34 provinsi di Indonesia dari tahun 2015 s.d tahun
2020.

CONTOH PENELITIAN MENGGUNAKAN
PROGRAM EVIEWS

• Sebuah penelitian bertujuan untuk menganalisis faktor-faktor
yang mempengaruhi harga saham
• Penelitian ini menduga yang mempengaruhi harga saham adalah
kurs dan inflasi.
• Harga saham menggunakan Indeks Harga Saham Gabungan sesi
penutupan di Bursa Efek Indonesia, Kurs menggunakan kurs
rupiah terhadap dolar Amerika, dan Inflasi menggunakan data
Indeks Harga Konsumen Indonesia.
• Data yang digunakan adalah data bulanan (Monthly) dalam
periode Januari 2014 s.d Desember 2020.

Tabel berikut ini berisi data yang digunakan dalam penelitian yaitu Harga
saham menggunakan IHSG, Inflasi menggunakan IHKI, dan kurs valuta asing
menggunakan kurs rupiah terhadap dolar Amerika Januari 2014 – Desember
2020 dalam MS Excel sebagai berikut:
Bulan Sampel SP EXA CPI
Jan-14 1 2620.65 9296.50 97.55
Feb-14 2 2539.13 9346.50 97.84
Mar-14 3 2700.33 9168.50 97.70
Apr-14 4 2889.93 9017.30 97.85
May-14 5 2733.72 9225.50 98.13
Jun-14 6 2875.44 9153.00 99.08
Jul-14 7 2983.84 9032.00 100.64
Aug-14 8 3084.01 8987.80 101.41
Sep-14 9 3294.36 8965.30 101.85 SP: Harga Saham
Oct-14 10 3584.83 8928.50 101.92 EXA: Kurs
Nov-14 11 3672.17 8948.00 102.53 CPI: Inflasi
Dec-14 12 3668.12 9016.30 103.47
Jan-15 13 3516.94 9049.50 104.40
Lakukan pengolahan data untuk tujuan penelitian tersebut.

Beberapa Penelitian
1. “The Effect of Inflation, Interest Rates and Exchange Rates on Stock Prices
Comparative Study Among Two Gcc Countries” (Mahfoudh Hussein Hussein
Mgammal: International Journal of Finance and Accounting 2012, 1(6): 179-
189. This research has found that the exchange rate influence negatively on
stock market price index for the United Arab Emirat
2. “Impact Of Interest Rates, Inflation, Exchange Rates And GDP on Stock Price
Index Of Plantation Sector: Empirical Analysis on BEI in The Year Of 2008–
2012”. (Indra Ria Safitri & Suresh Kumar : Full Paper Proceeding TMBER – 2014
, Vol. 1, 55-61. They have found a negative sign in beta but not significan.
3. “Does the inflation rate affect the performance of the stock market? The case
of Egypt” (Mohammed Omran dan John Pointon. Emerging Markets Review 2
2001 263-279. The result indicated than the inflation rate has had an negative
impact on the Egyptian stock market performance

Rumusan Hipotesis Penelitian
• Rumusan hipotesis dapat dinyatakan dengan
menggunakan dasar:
– Teori
– Hasil penelitian sebelumnya
– Penjelasan secara logis (logical explaination)
• Misalnya hipotesis pada penelitian ini dinyatakan

sebagai berikut:
H1: Kurs berpengaruh negatif terhadap harga saham
H2: Inflasi berpengaruh negatif terhadap harga saham

Makna dan Alasan yang mendasari hipotesis
• Makna dari hipotesis tersebut:

1. Kurs berpengaruh negatif terhadap harga saham artinya jika kurs
naik (dolar semakin mahal atau rupiah terdepresiasi) menyebabkan
harga saham turun. Rupiah terdepresiasi dinilai investor di pasar
modal merupakan berita buruk (bad news) kondisi perekonomian
yang akan direaksi negatif oleh invertor. Hal ini menyebabkan harga
saham turun.

2. Inflasi berpengaruh negatif terhadap harga saham artinya jika laju
inflasi naik (harga-harga barang dan jasa naik) menyebabkan harga
saham turun. Laju inflasi tinggi menyebabkan investor kesulian
membuat perencanaan bisnis, karena laju inflasi menimbulkan
ketidak-pastian yang tinggi. Hal ini merupakan berita buruk (bad
news) kondisi perekonomian yang akan direaksi negatif oleh
invertor. Akibatnya harga saham turun.

Kerangka Penelitian
KURS
HARGA SAHAM
INFLASI

Langkah-langkah mengolah Data
1. Aktifkan file data Excel, kemudian diminimize:
Keterangan:
SP: Harga Saham
EXA: Kurs
CPI: Inflasi

Kerangka Penelitian
EXA
SP
CPI
Model regresi estimasi:
SP
t = b0 +b 1 EXA t + b2 CPI t + μt

2. Aktifkan Eviews seperti tampilan berikut ini:
3. Klik menu File, New, Workfile seperti tampilan berikut ini:

sehingga akan muncul tampilan sebagai berikut:
4. Pada kolom Workfile Create pilih dan isi seperti tampilan berikut ini:
Keterangan:
Date-regular frequency: data time series
Monthly: bulanan
2014:01: mulai 1 Januari 2014
2020:12:sampai 12 Desember 2020

5. Klik OK akan muncul tampilan sebagai berikut:
6. Klik Quick, pilih Empty Group (Edit Series) seperti berikut ini:

sehingga akan muncul tampilan sebagai berikut:
7. Kursor geser ke atas sampai sejajar dengan baris teratas:

8. Tampilkan dan blok data yang mau diolah dari file Excel seperti berikut ini

5. Kemudian paste ke EViews seperti berikut ini:

Membangun Model Regresi Estimasi
1. Aktifkan data Eviews yang akan diolah seperti berikut ini:

2. Pilih menu Proc, Make Equation seperti tampilan sebagai berikut:
akan muncul seperti tampilan sebagai berikut:

3. Pada kolom Equation specification isi sp c exa cpi sebagai berikut:
sp c exa cpi artinya Metode Least Square, var. dependen harga saham (sp), dengan
konstanta (c), var. independen kurs (exa) dan laju inflasi (cpi)
4. Klik OK akan diperoleh hasil seperti pada tampilan berikut ini:

Hasil Pengolahan Eviews:
Dependent Variable: SP
Method: Least Squares
Date: 04/26/21 Time: 07:47
Sample: 2014M01 2020M12
Included observations: 84
Variable Coefficient Std. Error t-Statistic Prob.
C -3999.974 434.6939 -9.201818 0.0000

EXA -0.477568 0.060322 -7.916941 0.0000
CPI 114.7546 8.673524 13.23045 0.0000
R-squared 0.851743 Mean dependent var 4333.815

Adjusted R-squared 0.848082 S.D. dependent var 744.3002
S.E. of regression 290.1035 Akaike info criterion 14.21341
Sum squared resid 6816962. Schwarz criterion 14.30023
Log likelihood -593.9634 Hannan-Quinn criter. 14.24831
F-statistic 232.6735 Durbin-Watson stat 0.251838
Prob(F-statistic) 0.000000

PERSAMAAN ESTIMASI
SP = - 3999.974  0.478EXA 144.755CPI
Pertanyaan: Apakah model estimasi tersebut

memenuhi kriteria BLUE?

UJI MASALAH
MULTIKOLINEARITAS

• Hubungan antara X1 dan X2 dalam persamaan regresi
Y Y
X2
X1 X1 X2
Non Multikolinearitas Multikolinearitas

Mendeteksi Multikol dengan Koefisien Korelasi
Jika besarnya koefisien korelasi antarvariabel independen

lebih dari 0,8 menunjukkan model tersebut terdapat masalah
multikol

Cara menemukan Koefisien Korelasi
1. Tampilkan data yang akan diproses

2. Klik menu View, Covariance Analysis… seperti berikut ini
akan muncul tampilan berikut ini: (beri centang pada menu yang diperlukan).

3. Klik OK sehingga muncul tampilan seperti berikut ini

Hasil perhitungan:
Covariance Analysis: Ordinary

Date: 04/26/21 Time: 07:55
Sample: 2014M01 2020M12
Correlation
t-Statistic
Probability CPI EXA SP
CPI 1.000000
-----
-----
EXA 0.959810 1.000000

30.96904 -----
0.0000 -----
SP 0.858499 0.728938 1.000000

15.15954 9.642155 -----
0.0000 0.0000 -----
Kesimpulan:
Besarnya koefisien korelasi antara EXA dan INF adalah 0,959810 lebih dari
0,8. Dengan demikian pada model regresi estimasi terdapat masalah
multikolinearitas
– Cara lain mendeteksi masalah multikolinearitas (Klein’s
Rule of Thumb):
Menentukan R2 dan R12, R22, R32 dst.
Jika R2 > R12, R22, R32 maka model regresi estimasi tidak
mengandung masalah multikolinearitas

Date: 04/26/21 Time: 07:47
Sample: 2014M01 2020M12
C -3999.974 434.6939 -9.201818 0.0000

EXA -0.477568 0.060322 -7.916941 0.0000
CPI 114.7546 8.673524 13.23045 0.0000

Besarnya R2 = 0,851743
Cara menemukan R12


3. Pada kolom Equation specification isi seperti tampilan berikut ini:
Meregres antarvariabel independen
exa c cpi artinya Metode Least Square, var. dependen adalah perubahan
kurs (exa), konstanta (c) dan var. independen adalah perubahan indeks
harga (cpi)
R12 = 0,921236 > R2 = 0,851743. Berarti terdapat

masalah multikolinearitas
MENGATASI MASALAH MULTIKOLINEARITAS
• Mengeluarkan salah satu variabel yang memiliki korelasi tinggi.

Namun jika ini dilakukan maka kita melakukan kesalahan
spesifikasi. Kita mengeluarkan variabel yang secara teoritis
berpengaruh terhadap variabel dependen.
• Menambah data observasi
• Menggunakan model first difference. Cara ini hanya untuk data
time series. Persamaan regresi menjadi:
(Yt-Yt-1) = 0 + 1 (X1t-X1t-1) + 2 (X2t-X2t-1) + (ut-ut-1)
atau dY = 0 + 1dX1 + 2dX2 + u

UJI MASALAH
OTOKORELASI
UJI OTOKORELASI
• Misalnya mendeteksi: dengan uji Durbin-Watson.
Nilai Statistik DW Kesimpulan

0 < DW < DL Otokorelasi Positif
DL ≤ DW ≤ DU Tanpa Keputusan
DU < DW < 4 – DU Tidak ada Otokorelasi
4 – DU ≤ DW≤ 4 – DL Tanpa Keputusan
DW > 4 – DL Otokorelasi Negatif
Tidak terjadi
Terdapat Tdk ada Otokorelasi Tdk ada Terdapat
Otokorelasi Keputusan Keputusan Otokorelasi
0 dL dU 4-dU 4 - dL 4

Tabel Durbin-Watson

Tabel Durbin-Watson (α = 5%)
Tabel Durbin-Watson (DW), α = 5%
n k=1 k=2 k=3 k=4 k=5

dL dU dL dU dL dU dL dU dL dU
71 1.5865 1.6435 1.5577 1.6733 1.5284 1.7041 1.4987 1.7358 1.4685 1.7685
72 1.5895 1.6457 1.5611 1.6751 1.5323 1.7054 1.5029 1.7366 1.4732 1.7688
73 1.5924 1.6479 1.5645 1.6768 1.5360 1.7067 1.5071 1.7375 1.4778 1.7691
74 1.5953 1.6500 1.5677 1.6785 1.5397 1.7079 1.5112 1.7383 1.4822 1.7694
75 1.5981 1.6521 1.5709 1.6802 1.5432 1.7092 1.5151 1.7390 1.4866 1.7698
76 1.6009 1.6541 1.5740 1.6819 1.5467 1.7104 1.5190 1.7399 1.4909 1.7701
77 1.6036 1.6561 1.5771 1.6835 1.5502 1.7117 1.5228 1.7407 1.4950 1.7704
78 1.6063 1.6581 1.5801 1.6851 1.5535 1.7129 1.5265 1.7415 1.4991 1.7708
79 1.6089 1.6601 1.5830 1.6867 1.5568 1.7141 1.5302 1.7423 1.5031 1.7712
80 1.6114 1.6620 1.5859 1.6882 1.5600 1.7153 1.5337 1.7430 1.5070 1.7716
81 1.6139 1.6639 1.5888 1.6898 1.5632 1.7164 1.5372 1.7438 1.5109 1.7720
82 1.6164 1.6657 1.5915 1.6913 1.5663 1.7176 1.5406 1.7446 1.5146 1.7724
83 1.6188 1.6675 1.5942 1.6928 1.5693 1.7187 1.5440 1.7454 1.5183 1.7728
84 1.6212 1.6693 1.5969 1.6942 1.5723 1.7199 1.5472 1.7462 1.5219 1.7732
85 1.6235 1.6711 1.5995 1.6957 1.5752 1.7210 1.5505 1.7470 1.5254 1.7736
86 1.6258 1.6728 1.6021 1.6971 1.5780 1.7221 1.5536 1.7478 1.5289 1.7740
87 1.6280 1.6745 1.6046 1.6985 1.5808 1.7232 1.5567 1.7485 1.5322 1.7745
88 1.6302 1.6762 1.6071 1.6999 1.5836 1.7243 1.5597 1.7493 1.5356 1.7749
89 1.6324 1.6778 1.6095 1.7013 1.5863 1.7254 1.5627 1.7501 1.5388 1.7754
90 1.6345 1.6794 1.6119 1.7026 1.5889 1.7264 1.5656 1.7508 1.5420 1.7758

Nilai D-W Test
Lihat tampilan hasil regresi berikut ini:
C -3999.974 434.6939 -9.201818 0.0000

EXA -0.477568 0.060322 -7.916941 0.0000
CPI 114.7546 8.673524 13.23045 0.0000


Hasil perhitungan:
D-W Test = 0,251838

α = 5% dan k = 2 , maka DL = 1,5969 dan DU = 1,6942
Nilai Statistik DW Kesimpulan

0 < 1,5969 Otokorelasi Positif
1,5969 ≤ DW ≤ 1,6942 Tanpa Keputusan
1,6942 < DW < 2,3058 Tidak ada Otokorelasi
2,3058 ≤ DW≤ 2,4031 Tanpa Keputusan
DW > 2.4031 Otokorelasi Negatif
Kesimpulan:
Model regresi memiliki D-W Test = 0,251838 berada pada otokorelasi positif.
Dengan demikian model regresi estimasi mengandung masalah otokorelasi.

Jika nilai uji D-W berada di daerah tanpa kemutusan, deteksi
terhadap masalah otokorelasi dapat dilakukan dengan pengujian
nonparametrik Run Test.
Caranya: cari residual model regresi, kemudian terhadap residual
tersebut dilakukan Run Test.
H0: residual model regresi bersifat random (tidak terdapat
masalah otokorelasi)
HA: residual model regresi bersifat tidak random (terdapat
masalah otokorelasi)

Uji Otokorelasi secara Formal
• Uji otokorelasi secara formal dapat dilakukan dengan

menggunakan Breusch-Godfrey (B-G) Serial
Correlation LM Test.
• Rumusah hipotesis:
Ho: Tidak terdapat otokorelasi dalam model regresi
HA: Terdapat otokorelasi dalam model regresi

Cara menemukan B-G Test
1. Tampilkan hasil regresi sseperti berikut ini:

2. Klik menu View, Residual Tests, Serial Correlation LM Test .. seperti berikut ini:
akan muncul tampilan berikut ini:


Hasil Perhitungan:
Breusch-Godfrey Serial Correlation LM Test:

Null hypothesis: No serial correlation at up to 2 lags
F-statistic 112.6815 Prob. F(2,79) 0.0000

Obs*R-squared 62.19708 Prob. Chi-Square(2) 0.0000
Kesimpulan:
Model regresi memiliki F statistic = 112,6815 dan nilai Prob. = 0,000. Dengan α
= 5%, nilai Prob. lebih kecil daripada α. Keputusan pengujian menolak H0.
Dengan demikian model regresi estimasi terdapat masalah otokorelasi.

Cara Mengatasi Otokorelasi
• Memasukkan variabel lag Y ke dalam model sebagai

variabel independen, misalnya Yt-1 , Yt-2, dan seterusnya.
• Persamaan regresi estimasi menjadi model
Autoregressive Distributed Lag (ARDL)
Yt = 0 + 1 X1t + 2 X2t + 3 Yt-1 + ut

UJI MASALAH
HETEROSKEDASTISITAS
• Tujuan: mengetahui apakah persyaratan OLS tentang varians
setiap pengamatan konstan terpenuhi (Homoskedastisitas)
• Pengujian ini dilakukan terhadap varians residual. Hipotesis
nol menyatakan bahwa model regresi estimasi tidak
mengandung masalah heteroskedastisitas. Hipotesis nol
tidak ditolak jika probabilitas (Sig.) lebih besar dari tingkat
signifikansi () yang digunakan dalam pengujian.

• Bentuk distribusi residual

• Residuan model Pendapatan dan tabungan

Cara Mendeteksi Heteroskedastisitas
• Melakukan Uji White, yaitu dengan meregresi nilai kuardat

residual yang diperoleh dari model regresi estimasi kemudian
diregres dengan semua variabel independennya. Jika semua
atau sebagian besar koefisien regresi signifikan, berarti
terdapat heteroskedastisitas
• Melakukan Uji Glesjer yaitu dengan meregres nilai absolut
residual (|e|) dengan semua varabel independen. Jika semua
atau sebagian besar koefisien regresi signifikan, berarti
terdapat heteroskedastisitas

Cara Mendeteksi Heteroskedastisitas
• Melakukan uji Park, yaitu dengan meregres log e2 dengan

semua varabel independen. Jika semua atau sebagian besar
koefisien regresi signifikan, berarti terdapat
heteroskedastisitas.
• Rumusan hipotesis pengujian hetero:
H0: model regresi estimasi tidak mengandung masalah
hetero
HA: model regresi estimasi mengandung masalah hetero

Cara menemukan Nilai Test

2. Klik menu View, Residual Tests, Heteroskedastisity Tests .. seperti berikut ini:
akan muncul tampilan berikut ini: (Misal kita menggunakan Uji White).


Hasil perhitungan:
Heteroskedasticity Test: White

Null hypothesis: Homoskedasticity

Scaled explained SS 18.32783 Prob. Chi-Square(5) 0.0026
Kesimpulan:
Nilai F statistic = 10,27823 dengan nilai Prob. = 0,0000. Dengan α = 5%, nilai
Prob. = 0,0000 lebih kecil daripada α. Keputusan pengujian adalah Keputusan
pengujian adalah menolak H0. Artinya model regresi estimasi terdapat
masalah hetero.

Cara Menghilangkan Heteroskedastisitas
• Cara menghilangkan masalah Heteroskedastisitas

dalam model adalah dengan mentransformasi variabel
ke dalam natural log (ln)

Uji Normalitas
• Kadang-kadang peneliti meneruskan pengujian terhadap normalitas data.
Tujuannya hanya untuk mengetahui sejauhmana normalitas data
tersebut. Jika data yang digunakan lebih dari 30 biasanya dapat
diasumsikan berdistribusi normal
• Uji normalitas dapat digunakan Uji Kolmogorov-Smirnov
• Rumusan hipotesis
H0: data berdistribusi normal
HA: data tidak berdistribusi normal
Dengan EViews, jika Sig. <  keputusan menolak H0. Artinya data tidak
berdistribusi normal

2. Klik menu View, Residual Diagnostics, Histogram – Normality Test ..
seperti berikut ini:

12
Series: Resi duals
10 Sample 2014M01 2020M12
Observations 84
8
Mean -7.36e-15
Median 0.118878
6
Maximum 3.989293
Minimum -5.179809
4
Std. Dev. 2.064918
Skewness -0.005616
2 Kurtosis 2.181589
0 Jarque-Bera 2.344729
-5 -4 -3 -2 -1 0 1 2 3 4
Probability 0.309634
Kesimpulan:
Nilai Sig. = 0,309634. Nilai Sig. lebih besar daripada (misalnya)  = 0,05.
Keputusan pengujian adalah tidak menolak H0. Artinya residual model regresi
estimasi berdistribusi normal.
Kesimpulan terhadap Model Estimasi yang
diperoleh
1. Korelasi antara EXA dan CPI adalah 0,96 lebih besar daripada 0,8
menunjukkan model regresi mengandung masalah multikolilearitas.
2. Uji White memutuskan menolak H0 yang menunjukkan bahwa model
regresi estimasi terdapat masalah heteroskedastisitas.
3. Uji otokorelasi dengan Uji DW menunjukkan nilai DW Test berada di
daerah otokorelasi. Model regresi estimasi terdapat masalah
otokorelasi
Dengan demikian model estimasi tersebut tidak layak untuk membuat
kesimpulan, karena berpotensi akan terjadi misleading conclusion

Mengatasi Pelanggaran Asumsi OLS
• Untuk mengatasi masalah multikolinearitas dan otokorelasi

salah satunya adalah membuat model difference.
• Sekarang kita coba dengan membuat model regresi first
difference sebagai berikut:
(SPt-SPt-1) = 0 + 1 (EXA1t-EXA1t-1) + 2 (CPI2t-CPI2t-1)
dSP = 0 + 1 dEXA + 2 dCPI

1. Aktifkan data seperti tampilan berikut ini


d(sp) c d(exa) d(cpi) artinya Metode Least Square, var. dependen perubahan harga
saham (sp), dengan konstanta (c), var. independen perubahan kurs (exa) dan
perubahan indeks harga (cpi)


Dependent Variable: D(SP)

Date: 04/26/21 Time: 08:46
Sample (adjusted): 2014M02 2020M12
Included observations: 83 after adjustments
C 59.11549 16.54244 3.573565 0.0006

D(EXA) -0.393231 0.062121 -6.330102 0.0000
D(CPI) -16.26085 20.21035 -0.804581 0.4234


PERSAMAAN ESTIMASI
SP = 59,11549  0.393231(EXA) – 16,26085(CPI)
Pertanyaan: Apakah model estimasi tersebut

memenuhi kriteria BLUE?

UJI MASALAH
MULTIKOLINEARITAS
Misalnya digunakan Klein’s Rule of Thumb
– Caranya mendeteksi:
Menentukan R2 dan R12, R22, R32
Jika R2 > R12, R22, R32 maka model regresi estimasi tidak
mengandung masalah multikolinearitas

Cara menemukan R12


Meregres antarvariabel independen
d(exa) c d(cpi) artinya Metode Least Square, var. dependen adalah perubahan kurs
atau d(exa), konstanta (c) dan var.independen adalah perubahan indeks harga atau
d(cpi)

R12 = 0,015767 < R2 = 0,347840. Berarti tidak terdapat

masalah multikolinearitas
UJI MASALAH
OTOKORELASI
Cara menemukan B-G Test

2. Klik menu View, Residual Tests, Serial Correlation LM Test .. seperti berikut ini:
akan muncul tampilan berikut ini:


Hasil Perhitungan:
Breusch-Godfrey Serial Correlation LM Test:

Null hypothesis: No serial correlation at up to 2 lags

Kesimpulan:
Model regresi memiliki F statistic = 148,5684 dan nilai Prob. = 0,1966. Dengan
α = 5%, nilai Prob. lebih besar daripada α. Keputusan pengujian tidak menolak
H0. Dengan demikian model regresi estimasi tidak terdapat masalah
otokorelasi.

UJI MASALAH
HETEROSKEDASTISITAS

akan muncul tampilan berikut ini: (Misal kita menggunakan Uji White).


Hasil perhitungan:
Heteroskedasticity Test: White

Null hypothesis: Homoskedasticity

Scaled explained SS 2.060477 Prob. Chi-Square(5) 0.8407
Kesimpulan:
Nilai F statistic = 3,567068 dengan nilai Prob. = 0,8149. Dengan α = 5%, nilai
Prob. = 0,8149 lebih besar daripada α. Keputusan pengujian adalah tidak
menolak H0. Artinya model regresi estimasi tidak terdapatmasalah hetero.

Uji Normalitas
• Kadang-kadang peneliti meneruskan pengujian terhadap normalitas data.
Tujuannya hanya untuk mengetahui sejauhmana normalitas data tersebut.
Jika data yang digunakan lebih dari 30 biasanya dapat diasumsikan
• Uji normalitas dapat digunakan Uji Kolmogorov-Smirnov
• Rumusan hipotesis
H0: data berdistribusi normal
HA: data tidak berdistribusi normal
Dengan EVies, jika Sig. <  keputusan menolak H0. Artinya data tidak

1. Tampilkan hasil regresi seperti berikut ini:


Kesimpulan:
Nilai Sig. = 0,701265. Nilai Sig. lebih besar daripada (misalnya)  = 0,05.
Keputusan pengujian adalah tidak menolak H0. Artinya residual model regresi
estimasi berdistribusi normal.
Kesimpulan terhadap Model Estimasi yang
diperoleh
1. Nilai R12 = 0,015767 < R2 = 0,347840 menunjukkan tidak terdapat masalah
multikolinearitas
2. Uji otokorelasi dengan Uji B-G memutuskan tidak menolak H0
menunjukkan model regresi estimasi tidak terdapat masalah otokorelasi
3. Uji White memutuskan tidak menolak H0 yang menunjukkan bahwa
model regresi estimasi tidak terdapat masalah hetero
4. Uji normalitas menggunakan uji Kolmogorov-Smirnov menunjukkan
residual berdistribusi normal
Dengan demikian model estimasi tersebut layak untuk
menguji hipotesis penelitian.

Hasil untuk menguji Hipotesis Penelitian

Kesimpulan
1. Nilai t hitung variabel d(exa) = - 6,330102 dan nilai
probabilitas 0,000. Dengan α = 5%, nilai probabilitas lebih
kecil daripada α. Hipotesis pertama (H1) terbukti. Perubahan
kurs berpengaruh negatif terhadap perubahan harga saham.
2. Nilai t hitung variabel d(cpi) = - 0,804581 dan nilai probabilitas

0,4234. Dengan α = 5%, nilai probabilitas lebih besar daripada
α. Hipotesis kedua (H2) tidak terbukti. Perubahan indeks
harga konsumen (inflasi) tidak berpengaruh negatif terhadap
perubahan harga saham.

Kesimpulan
3. Nilai F hitung = 21,33466 dengan nilai probabilitas 0,000.
Dengan α = 5%, nilai probabilitas lebih kecil daripada α.
Perubahan kurs dan perubahan indeks harga konsumen
(inflasi) mampu menjelaskan perubahan harga saham.
4. Nilai R2 = 0,347840 menunjukkan kemampuan perubahan

kurs dan perubahan indeks harga konsumen (inflasi)
menjelaskan perubahan harga saham adalah 34,7840%..

Mengatasi Masalah Heteroskedastisitas
menggunakan Model Logaritma
Model logaritma digunakan biasanya jika model regresi estimasi

terdapat masalah penyimpangan asumsi klasik seperti masalah
residual model regresi estimasinya yang tidak konstan (dalam
model regresi terdapat masalah heteroskedastisitas)

Hasil perhitungan EViews:
Date: 04/26/21 Time: 07:47
Sample: 2014M01 2020M12
C -3999.974 434.6939 -9.201818 0.0000

EXA -0.477568 0.060322 -7.916941 0.0000
CPI 114.7546 8.673524 13.23045 0.0000

Misalnya model regresi yang ini terdapat masalah heteroskedastisitas. Salah

satu cara mengatasinya dengan membuat model regresi logatitma

Cara membuat model logaritma


3. Pada kolom Equation specification isi log(sp) c log(exa) log(cpi) sebagai
berikut:
log(sp) c log(exa) log(cpi) artinya Metode Least Square, var. dependen log (sp),
dengan konstanta (c), var. independen log(exa) dan log(cpi)


Dependent Variable: LOG(SP)

Date: 04/28/21 Time: 04:34
Sample: 2014M01 2020M12
C 4.528088 0.462023 9.800579 0.0000

LOG(EXA) -1.350749 0.147482 -9.158771 0.0000
LOG(CPI) 3.435320 0.227107 15.12642 0.0000

S.E. of regression 0.067603 Akaike info criterion -2.515264
Sum squared resid 0.370185 Schwarz criterion -2.428449
Log likelihood 108.6411 Hannan-Quinn criter. -2.480366

Model Regresi Cochrane Orcutt
• Masalah otokorelasi dapat diatasi dengan menggunakan model estimasi

Cochrane Orcutt. Model ini dikembangkan oleh Donald Cochrane (University
of Melbourne) dan Guy Henderson Orcutt (University of Wisconsin -
Madison, USA).
• Persamaan model Cochrane Orcutt adalah sebagai berikut:
Yt = Yt – ρYt-1
Xt = Xt – ρXt-1
ρ adalah koefisien otokorelasi (Rho) yang diperoleh dengan menggunakan
persamaan berikut ini:
t = ρt-1 + εt

Hasil perhitungan EViews:
Date: 04/26/21 Time: 07:47
Sample: 2014M01 2020M12
C -3999.974 434.6939 -9.201818 0.0000

EXA -0.477568 0.060322 -7.916941 0.0000
CPI 114.7546 8.673524 13.23045 0.0000

Misalnya model regresi yang ini terdapat masalah otokorelasi. Salah

satu cara mengatasinya dengan membuat model Cochrane Orcutt
Cara membuat model Cochrane Orcutt


3. Pada kolom Equation specification isi sp c exa cpi dan satu variabel ar(1)
sebagai berikut:
ar(1) adalah autoregressive orde 1


Method: ARMA Maximum Likelihood (OPG - BHHH)
Date: 04/28/21 Time: 04:55
Sample: 2014M01 2020M12
Convergence achieved after 9 iterations
Coefficient covariance computed using outer product of gradients
Variable Coefficient Std. Error t-Statis tic Prob.
C 4395.492 2554.940 1.720389 0.0893

EXA -0.365630 0.076655 -4.769821 0.0000
CPI 31.45629 18.66939 1.684912 0.0960
AR(1) 0.995281 0.016014 62.14896 0.0000
SIGMASQ 15681.80 2591.387 6.051506 0.0000

F-statistic 669.6422 Durbin-Watson s tat 1.377738
Inverted AR Roots 1.00
Nilai Durbin-Watson stat. meningkat dari 0,251838 menjadi 1,377738.

Sekian dan Terima kasih

Materi 8 Regresi DGN Eviews 2021 1

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Materi 8 Regresi DGN Eviews 2021 1

Diunggah oleh

Hak Cipta:

Format Tersedia

ANALISIS REGRESI

@Hak Cipta STIE YKPN 2021

• EViews adalah program aplikasi komputer yang dapat digunakan untuk

@Hak Cipta STIE YKPN 2021

@Hak Cipta STIE YKPN 2021

@Hak Cipta STIE YKPN 2021

@Hak Cipta STIE YKPN 2021

Lakukan pengolahan data untuk tujuan penelitian tersebut.

@Hak Cipta STIE YKPN 2021

@Hak Cipta STIE YKPN 2021

• Misalnya hipotesis pada penelitian ini dinyatakan

@Hak Cipta STIE YKPN 2021

• Makna dari hipotesis tersebut:

@Hak Cipta STIE YKPN 2021

@Hak Cipta STIE YKPN 2021

@Hak Cipta STIE YKPN 2021

1. Aktifkan file data Excel, kemudian diminimize:

@Hak Cipta STIE YKPN 2021

Model regresi estimasi:

@Hak Cipta STIE YKPN 2021

3. Klik menu File, New, Workfile seperti tampilan berikut ini:

@Hak Cipta STIE YKPN 2021

@Hak Cipta STIE YKPN 2021

@Hak Cipta STIE YKPN 2021

7. Kursor geser ke atas sampai sejajar dengan baris teratas:

@Hak Cipta STIE YKPN 2021

@Hak Cipta STIE YKPN 2021

@Hak Cipta STIE YKPN 2021

@Hak Cipta STIE YKPN 2021

akan muncul seperti tampilan sebagai berikut:

@Hak Cipta STIE YKPN 2021

@Hak Cipta STIE YKPN 2021

Variable Coefficient Std. Error t-Statistic Prob.

C -3999.974 434.6939 -9.201818 0.0000

R-squared 0.851743 Mean dependent var 4333.815

@Hak Cipta STIE YKPN 2021

SP = - 3999.974  0.478EXA 144.755CPI

Pertanyaan: Apakah model estimasi tersebut

@Hak Cipta STIE YKPN 2021

@Hak Cipta STIE YKPN 2021

Non Multikolinearitas Multikolinearitas

@Hak Cipta STIE YKPN 2021

Jika besarnya koefisien korelasi antarvariabel independen

@Hak Cipta STIE YKPN 2021

@Hak Cipta STIE YKPN 2021

@Hak Cipta STIE YKPN 2021

@Hak Cipta STIE YKPN 2021

Covariance Analysis: Ordinary

EXA 0.959810 1.000000

SP 0.858499 0.728938 1.000000

@Hak Cipta STIE YKPN 2021

Variable Coefficient Std. Error t-Statistic Prob.

C -3999.974 434.6939 -9.201818 0.0000

R-squared 0.851743 Mean dependent var 4333.815

@Hak Cipta STIE YKPN 2021

akan muncul seperti tampilan sebagai berikut:

@Hak Cipta STIE YKPN 2021

Meregres antarvariabel independen

R12 = 0,921236 > R2 = 0,851743. Berarti terdapat

• Mengeluarkan salah satu variabel yang memiliki korelasi tinggi.

(Yt-Yt-1) = 0 + 1 (X1t-X1t-1) + 2 (X2t-X2t-1) + (ut-ut-1)

atau dY = 0 + 1dX1 + 2dX2 + u