09/04/2021
X1
X2
X3
Y1 Y2
X4
X5
CX7 CX8
X6
TAHAPAN PENGOLAHAN DATA
09/04/2021
Statistik Deskriptif
Uji Korelasi
Uji Regresi
09/04/2021
PERSIAPAN PENGOLAHAN DATA
Data dicopy dari Ms Excel, jika data berwarna merah, kita harus
09/04/2021
mendistring data: destring, replace
Lakukan setting kolom untuk nomor dan tahun (sesuai yang tertulis di
data yang dicopy ke stata: xtset no year
STATISTIK DESKRIPTIF
Untuk melihat statistic deskriptif dari data penelitian: xtsum y1 y2 x1 x2
x3 x4 x5 x6 cx7 cx8
09/04/2021
UJI KORELASI
Untuk melihat correlation dari data penelitian: corr y2 y1 x1 x2 x3 x4 x5
x6 cx7 cx8
09/04/2021
UJI REGRESI
Uji Regresi: Pengaruh X1, X2, X3, X4, X5, X6 Terhadap Y1: regress y1 x1 x2
x3 x4 x5 x6
09/04/2021
UJI REGRESI
Uji Regresi: Pengaruh Y1, X1, X2, X3, X4, X5, X6, CX7, CX8 Terhadap Y2:
regress y2 y1 x1 x2 x3 x4 x5 x6 cx7 cx8
09/04/2021
UJI PENGARUH LANGSUNG DAN TIDAK LANGSUNG
Dilakukan dengan dua langkah:
Pertama: Mengolah data SEM: sem (y1 <- x1) (y1 <- x2) (y1 <- x3) (y1 <- x4) (y1 <- x5) (y1 <-
09/04/2021
x6) (y2 <- y1 x1 x2 x3 x4 x5 x6 cx7 cx8)
UJI PENGARUH LANGSUNG DAN TIDAK LANGSUNG
Kedua: Melihat pengaruh langsung dan tidak langsung: estat teffects
09/04/2021
UJI PENGARUH LANGSUNG DAN TIDAK LANGSUNG
Melihat pengaruh tidak langsung
09/04/2021
UJI ASUMSI KLASIK
Pengujian asumsi klasik biasanya dilakukan setelah running common
effect. Hal ini dilakukan untuk menghindari adanya kesalahan penggunaan
09/04/2021
residual. Berikut adalah langkah-langkah pengujian asumsi klasik:
Uji Multikolinieritas, dilakukan running regresi standar atau common
effect sebelum VIF diuji: regress y1 x1 x2 x3 x4 x5 x6 untuk persamaan
1 dan regress y2 y1 x1 x2 x3 x4 x5 x6 cx7 cx8 untuk persamaan 2
dengan sintax yang dipergunakan untuk common effect: vif
Hasilnya sebesar 2.26 dan 2.70 (Bebas masalah multikolinieritas)
Apabila mean VIF < 10 maka dapat dikatakan bahwa model memenuhi
asumsi non multikolinieritas.
Bila tidak lolos vif, maka data bisa ditransformasi (Contoh data di
logaritma kan)
Masalah Multikolinieritas terjadi umumnya karena pergerakan data
Independen dengan variabel Devendennya terlalu banyak kesamaan.
UJI ASUMSI KLASIK
Uji Autokorelasi dilakukan running regresi standar atau common effect :
regress y1 x1 x2 x3 x4 x5 x6, dengan sintax yang dipergunakan: xtserial
09/04/2021
y1 x1 x2 x3 x4 x5 x6
Jika belum ada command xtserial, maka install terlebih
dahulu dengan koneksi internet:
net from http://www.stata-journal.com/software/sj3-2/
net describe st0039
net install st0039
Hasilnya Prob > F = 0.5772 (bebas masalah Autokorelasi)
Apabila nilai Prob > F lebih kecil dari tingkat signifikansi 0.05, maka
mengindikasikan terjadinya autokorelasi atau pelanggaran asumsi non
autokorelasi. Namun jika terbukti nilai prob > chi2 lebih BESAR dari
tingkat signifikansi 0.05 maka bebas autokorelasi. Masalah autokorelasi
dapat diatasi dengan metode general least square (GLS) dengan sintax
yang dipergunakan: xtgls y1 x1 x2 x3 x4 x5 x6, igls
UJI ASUMSI KLASIK
Uji Heteroskedastisitas dilakukan running regresi standar atau common
effect: regress y1 x1 x2 x3 x4 x5 x6, dengan sintax yang dipergunakan:
09/04/2021
hettest (hanya untuk CE). Untuk FE menggunakan sintax: xttest3
(Dilakukan Seteleh Regresi Metode FE diatasnya xtreg y1 x1 x2 x3 x4
x5 x6, fe ).
Hasil hettest Prob > chi2 = 0.0000 (Ada masalah heteroskedastisitas).
Apabila nilai prob > chi2 lebih kecil dari tingkat signifikansi 0.05, maka
mengindikasikan terjadinya heteroskedastisitas atau pelanggaran asumsi
homoskedastisitas. Jika terbukti terjadi pelanggaran heteroskedastisitas,
maka solusinya dilakukan regresi Robust. Sintax yang dipergunakan:
regress y1 x1 x2 x3 x4 x5 x6, robust dan khusus untuk CE, sedang untuk
FE dan RE menggunakan rumus sintax: xtreg y1 x1 x2 x3 x4 x5 x6, fe
robust dan xtreg y1 x1 x2 x3 x4 x5 x6, re robust
Hasil regresi robust dipergunakan sebagai dasar pengambilan
kesimpulan pengujian hipotesis.
UJI MODEL PALING SESUAI
Pengujian Model Pertama: Pengaruh X1, X2, X3, X4, X5, dan X6
Terhadap Y1:
09/04/2021
Cara melihat Common Effect: Uji regresi biasa (Lalu disimpan): regress
y1 x1 x2 x3 x4 x5 x6 dan predict resid, r
09/04/2021
Chow Test, melihat model mana yang terbaik Common Effect atau Fixed
Effect:
Chow Test digunakan untuk membandingkan antara model common
effect dan fixed effect. Nilai yang digunakan adalah nilai rho pada
model fixed effect. Jika nilai rho > 0.5 maka model fixed effect lebih
baik daripada model common effect, jika yang terjadi sebaliknya, maka
model common effect lebih baik daripada model fixed effect.
Hasilnya rho = 0.6388913, artinya Fixed Effect lebih baik dari Common
Effect.
UJI MODEL PALING SESUAI
LM Test, melihat model mana yang terbaik Common Effect atau Random
Effect:
09/04/2021
LM Test digunakan untuk membandingkan antara model common effect
dan random effect. Dilihat dari hasil Sintaks yang dipergunakan (setelah
xtreg y1 x1 x2 x3 x4 x5 x6, re) adalah: xttest0
Untuk memutuskan mana model yang lebih baik, bisa dilihat dari nilai
prob > chibar2. Jika nilai prob>chi2 lebih kecil dari tingkat signifikansi
0.05, maka model random effect lebih baik. Jika sebaliknya, maka
common effect lebih baik.
Hasilnya Prob > chibar2 = 0.0000 artinya Random Effect lebih baik
dari Common Effect
UJI MODEL PALING SESUAI
Hausman Test, melihat model mana yang terbaik Fixed Effect atau Random
Effect:
09/04/2021
Hausman Test digunakan untuk membandingkan antara model random
effect dan fixed effect. Sintaks umum yang dipergunakan adalah:
hausman nama_residual_fixed nama_residual_random. sehingga sintaks
untuk data ini adalah: hausman fixed random
Untuk memutuskan mana model yang lebih baik, bisa dilihat dari nilai
prob> chi2. Jika nilai prob>chi2 lebih kecil dari tingkat signifikansi 0.05,
maka model fixed effect lebih baik. Jika sebaliknya, maka random effect
lebih baik.
Hasilnya Prob > chi2 = 0.0000 artinya Fixed Effect lebih baik dari
Random Effect.
Kesimpulan Model Paling Sesuai adalah Fixed Effet Model artinya
pengambilan kesimpulan hipotesis merekomendasikan Fixed Effect
Model lebih baik.
KESIMPULAN
Model mana yang terbaik Fixed Effect Model, dan menggunakan Robust
untuk mengatasi masalah Heteroskedastisitas. Syntax yg dipergunakan
adalah: xtreg y1 x1 x2 x3 x4 x5 x6, fe robust
09/04/2021
09/04/2021
SEKIAN
Terimakasih
www.nvconsultant.id