Modul Ekonometrika Dasar

7/22/2019 Modul Ekonometrika Dasar

1/39

Pelatihan Teknik Ekonometrika

Divisi Usaha Kecil dan Mikro Bank BNI

1

I. TINJAUAN UMUM EKONOMETRIKA

PENGERTIAN EKONOMETRI

Secara harfiah, ekonometri dapat diartikan sebagai ukuran-ukuran ekonomi.

Sedangkan menurut pengertian yang global, ekonometri dapat didefinisikan sebagai

suatu ilmu yang mempelajari analisis kuantitatif dari fenomena ekonomi dalam artian

secara umum. Pada mulanya, kajian ekonometri hanya meliputi aplikasi matematika

statistik dengan menggunakan data ekonomi untuk menganalisis model-model

ekonomi saja. Dalam perkembangannya, teori ini tidak hanya dapat digunakan untuk

menganalisis model-model ekonomi saja melainkan juga dapat digunakan untuk

menganalisis berbagai fenomena sosial lainnya.

Secara teoritis dan prinsip, teknik ekonometri merupakan gabungan antara teoriekonomi, matematika ekonomi, statistika ekonomi, dan matematika statistik. Analisis

ekonometrika memerlukan pemahaman dan pendekatan multidisipliner, namun begitu,

pelatihan ini akan menyajikan pendekatan praktis dalam melakukan analisis

ekonometri. Tetapi, kami sangat mengharapkan para peserta pelatihan dalam

menggunakan alat bantu ekonometri ini selalu berangkat dari dan berlandaskan kepada

teori yang mendasari gejala-gejala ekonomi ataupun fenomena sosial lainnya.

Teori Ekonomi

Dalam konteks analisis ekonometri, peran teori ekonomi umumnya

berhubungan dengan pembentukan suatu hipotesis yang biasanya berupa pernyataanyang masih bersifat kualitatif, misalnya penurunan harga suatu komoditas akan

meningkatkan permintaan komoditas tersebut, atau dapat juga dikatakan bahwa ada

hubungan yang negatif antara harga dan permintaan.

Akan tetapi, teori tersebut tidak memberikan informasi lebih lanjut atau lebih

rinci lagi mengenai hubungan antara harga dan permintaan. Misalkan, kalau harga

komoditas tersebut turun 10% maka berapa persen kenaikan permintaannya?

Matematika Ekonomi

Peran matematika ekonomi dalam pemodelan ekonometri cenderung untuk

menyatakan teori ekonomi dalam hubungan secara matematis yang tentunya sudah

lebih spesifik lagi hubungannya bila dibandingkan dengan hubungan yang dinyatakan

secara verbal berdasarkan teori ekonomi. Hanya saja, dalam tahap ini, matematika

ekonomi belum atau bahkan tidak memperdulikan pengukuran-pengukuran parameter

ekonomi secara empiris. Oleh karena itu, teori ekonometri dapat dikatakan merupakan

verifikasi empiris dari teori ekonomi.

Statistika Ekonomi

Sedangkan peran statistika ekonomi dalam analisis ekonometri adalah untukmengumpulkan, mengolah, dan menyajikan data ekonomi, baik dalam bentuk tabel


2/39



2

maupun grafik. Akan tetapi data ekonomi yang terkumpul tersebut tidak digunakan

untuk menguji teori ekonomi.

Matematika Statistik

Peranan matematika statistik dalam teknik ekonometri adalah memfasilitasiatau memberikan sarana kerangka metematis dalam mengestimasi/penaksiran model

matematika ekonomi yang telah dibangun dari kerangka teori ekonomi dan yang telah

dilengkapi dengan data statistik ekonomi.

METODOLOGI EKONOMETRI

Berikut ini akan dipaparkan metodologi ekonometri beserta contoh penggunaan

tahapan analisisnya dengan mengangkat fenomena ekonomi yang sangat sederhana,

dengan tujuan supaya dapat menyoroti metodologi ekonometrinya secara lebih tajam.

Metodologi ekonometri meliputi:

1. Membuat suatu hipotesis/pernyataan.

2. Membuat model ekonometri untuk menguji hipotesis yang telah dibuat.

3. Mengestimasi parameter model.

4. Melakukan verifikasi model.

5. Membuat prediksi.

6. Menggunakan model untuk membuat kebijakan.

Membuat Hipotesis/Pernyataan

Ada sebuah teori ekonomi yang menyatakan bahwa secara rata-rata, apabilapendapatan seseorang meningkat, maka konsumsinya meningkat pula. Akan tetapi,

peningkatan konsumsinya tidak sebesar peningkatan pendapatannya.

Teori ini merupakan sebuah hipotesis yang mendasari gejala ekonomi.

Berlandaskan teori tersebut, ingin diamati, apakah fenomena ini memang demikian

berdasarkan pengamatan empiris?

Membuat Model Ekonometri

Berdasar teori ekonomi diatas, dapat dikatakan bahwa ada hubungan positif

antara konsumsi dan pendapatan, artinya konsumsi akan naik jika pendapatan naik.Tetapi, teori tersebut tidak memberikan penjelasan lebih rinci tentang bentuk hubungan

fungsional yang tepat antara konsumsi dengan pendapatan. Yang dapat dijelaskan dari

teori tersebut hanyalah bahwa kenaikan konsumsi tidak sebesar kenaikan pendapatan.

Artinya, bila pendapatan naik 10%, konsumsi bisa naik 9%, atau 8%, atau hanya 5%,

atau berapa saja asal tidak melebihi kenaikan pendapatan yang sebesar 10%.

Untuk menjawab pertanyaan itu, kita perlu membuat suatu dugaaan tentang

hubungan yang lebih tepat antara konsumsi dengan pendapatan, baik dalam bentuk

linier, kuadratik, eksponensial, atau lainnya. Dalam contoh ini, kita mencoba menduga

hubungan tersebut dengan bentuk yang paling sederhana yaitu fungsi linier. Penentuan

bentuk hubungan tentunya bukan hanya ditentukan oleh kesederhanaan atau


3/39



3

kekompleksan model yang akan digunakan, tetapi juga harus didasarkan pada

substansi permasalahan.

Misalnya, hubungan tersebut dinyatakan sebagai bentuk linear

Konsumsi = 1 + 2 Pendapatan (1.1)

Parameter 1 disebut intersep yang menyatakan besarnya konsumsi bila pendapatan

kecil sekali atau bahkan tidak ada pendapatan sama sekali, dengan kata lain tidak

seorangpun yang tidak akan mengkonsumsi, sehingga 01> . Parameter 2 menyatakan slope yaitu kemiringan garis konsumsi dengan pendapatan dan bilangan

ini menyatakan apabila pendapatan naik 1 unit maka konsumsi akan naik sebesar 2

unit, dengan nilai 10 2


4/39



4

Gambar 1.2. Garis linier konsumsi, pendapatan, dan error

Konsumsi

= error

1

Pendapatan

Untuk mengakomodir hubungan yang tidak eksak ini kita perlu memodifikasi

model (1.1) menjadi model yang lebih baik lagi seperti model (1.2)

Konsumsi = 1 + 2 Pendapatan + (1.2)

Variabel adalah error yang juga merupakan variabel random yang menyatakanvariabel-variabel yang mempengaruhi konsumsi tetapi tidak terwakili secara eksplisit

di dalam model.

Mengestimasi Parameter Model

Setelah memiliki model seperti pada model (1.2), tahap selanjutnya adalah

bagaimana mengestimasi model (1.2) atau tepatnya adalah bagaimana cara mencari 1

dan 2 serta berapa besar nilai dari parameter-parameter tersebut? Langkah awal yang

perlu dilakukan adalah dengan melakukan pengamatan di lapangan atau memanfaatkan

data yang telah diamati/tersedia guna mendapatkan pasangan data konsumsi dan

pendapatan. Dengan menggunakan data pengamatan tersebut dan melalui teknik

estimasi tertentu akan diperoleh besaran 1 dan 2 . Teknik pengestimasian ini akan

dibahas secara terpisah pada bagian berikutnya.

Melakukan Verifikasi Model

Setelah taksiran 1 dan 2 diperoleh, pertanyaan selanjutnya adalah apakah 1

dan 2 yang didapatkan sesuai dengan teori ekonomi? Dalam hal ini, apakah besaran

parameter 10 2


5/39



5

Membuat Prediksi

Setelah kita peroleh besarnya nilai estimasi dari parameter 1 dan 2 , dan

setelah diverifikasi ternyata model kita sesuai dengan teori, maka model tersebut dapat

digunakan untuk memprediksi suatu nilai variabel terikat (konsumsi) untuk periode

atau masa mendatang. Misalkan saja model yang kita estimasi sebagai berikut

Konsumsi = 100.000 + 0,65 Pendapatan

Dari model ini kita dapat memprediksi seberapa kenaikan konsumsi seseorang

bila gaji tahun depan dinaikkan sebesar 25%. Katakanlah jika seseorang memiliki gaji

sebesar Rp 1.000.000,- berarti dia akan menyisihkan pendapatannya untuk konsumsi

sebesar Rp 750.000,- pada tahun tersebut. Dan ketika gaji orang tersebut naik 25%

atau menjadi Rp 1.250.000,- pada tahun berikutnya, maka konsumsinya akan menjadi

Rp. 912.500,-.

Apa manfaat dari informasi ini? Misalnya, untuk seorang marketing manager

tentunya informasi ini sangat penting, sebab dapat diartikan bahwa tahun depan akan

terjadi peningkatan permintaan terhadap produknya bila kelompok yang gajinya

dinaikkan adalah pasar bagi produknya. Lebih jauh lagi, persamaan tadi dapat

menunjukkan dampak kenaikan pendapatan terhadap inflasi, atau besarnya dana yang

akan terserap oleh sektor perbankan sehingga dapat diprediksi besarnya modal yang

dapat dipinjam oleh para nasabah.

Menggunakan Model Untuk Membuat Kebijakan

Kebutuhan akan penggunaan model untuk kebutuhan pembuatan kebijakansangat bersifat subjektif. Artinya, kita tidak bisa dengan serta merta menggunakan

hasil dari model yang kita peroleh tadi untuk sembarang kebijakan (terlebih) yang

tidak ada hubungannya dengan model tersebut, dengan kata lain, kita harus

memperhatikan keterkaitan antara model yang kita bentuk, interpretasi hasil

perhitungan yang kita peroleh, serta implikasi kebijakan yang akan kita lakukan

berdasarkan hasil akhir perhitungan model yang kita bangun.

Dalam praktek kesehariannya, model-model yang dibentuk dapat sangat

bermanfaat untuk berbagai kebijakan yang akan diambil baik oleh pemerintah, pihak-

pihak swasta, maupun kepentingan-kepentingan lain yang berkaitan dengan masalah

sosial, bahkan politik sekalipun.


6/39



6

II. DATA DAN PERMASALAHANNYAPermasalahan jenis data penelitian menjadi sangat penting dalam sebuah

pembentukan suatu model penelitian, karena jenis data penelitian berkaitan erat dengan

sumber data dan pemelihan metode yang nantinya akan digunakan oleh peneliti. Di

lain pihak, penentuan metode pengumpulan data sangat dipengaruhi oleh jenis dan

sumber data penelitian yang dibutuhkan.

JENIS DATA

Data penelitian pada dasarnya dapat dikelompokkan menjadi tiga jenis yaitu:

a. Data Subyek (Self-reported Data)

Merupakan data yang berupa opini, sikap, pengalaman atau karakteristik dari

seseorang atau sekelompok orang yang menjadi subyek penelitian (responden),

sehingga merupakan data penelitian yang dilaporkan sendiri oleh responden

secara individual atau secara kelompok. Data jenis ini dapat diperoleh melalui

proses observasi.

b. Data Fisik (Physical Data)Merupakan jenis data yang berupa obyek atau benda-benda fisik, antara lain

dalam bentuk bangunan, pakaian, buku, dan lain-lain, yang merupakan benda

berwujud yang menjadi bukti suatu keberadaan atau kejadian pada masa lalu.

Data fisik dikumpulkan melalui metode observasi.

c. Data Dokumenter (Documentary Data)

Merupakan data berupa faktur, jurnal, surat-surat, notulen hasil rapat, memo,

atau dalam bentuk laporan program. Data jenis ini dikumpulkan dengan

melalui metode observasi dan analisis dokumen yang dikenal dengan content

analysis, antara lain berupa kategori isi, telaah dokumen, pemberian kode

berdasar karakteristik kejadian atau transaksi.

SUMBER DATA

Sumber data penelitian merupakan faktor penting yang menjadi pertimbangan

dalam penentuan metode pengambilan data, disamping jenis data yang telah

dikemukakan dimuka. Sumber data penelitian terdiri atas data primer dan data

sekunder.

a.

Data Primer(Primary Data)


7/39



7

Merupakan data yang diperoleh secara langsung dari sumbernya dan belum

pernah diolah sebelumnya. Misalnya data yang diperoleh dari hasil wawancara

lapangan dengan responden. Ada dua metode yang dapat digunakan untuk

mengumpulkan data primer, yaitu metode survei dan metode observasi.

b. Data Sekunder (Secondary Data)

Merupakan data yang sudah tersedia dan telah dikumpulkan sebelumnya serta

telah mengalami proses pengolahan atau diperoleh peneliti secara langsung

melalui perantara, misalnya data yang dipublikasikan oleh BPS (Biro pusat

Statistik). Dalam hal ini peneliti hanya sekedar memanfaatkan data yang sudah

ada sesuai dengan kebutuhannya.

Secara umum, data penelitian dapat dikelompokan pada menjadi dua kelompok

besar yaitu:

a. Data Kualitatif

Data yang tidak dinyatakan dalam bentuk angka seperti jenis kelamin. Data ini

banyak digunakan dalam penelitian filosofis, deskriptif dan historis. Data

kualitatif dibagi menjadi 2 yaitu data yang bersifat nominal seperti jenis

kelamin (laki-laki, perempuan) dan data yang bersifat ordinal (ranking) seperti

baik, sedang dan buruk. Data ini dapat ditransformasikan ke dalam bentuk

kuantitatif dengan memberikan simbol angka, sehingga dapat diolah dengan

menggunakan metode statistik tertentu.

b.Data KuantitatifMerupakan data dalam bentuk angka seperti pendapatan, umur, gaji, dan lain-

lain. Data ini dapat dibedakan menjadi:

(1) Data Nominal

Data yang berasal dari gejala yang bersifat normal, yaitu suatu gejalayang hanya dapat digolongkan secara terpisah atau secara deskrit

atau secara kategorik.

Penggolongan tersebut dilakukan antara lain dalam bentuk jenis ataukeadaan yang bervariasi menurut jumlah atau frekuensinya.

Untuk pengolahan data diatas dapat digunakan berbagai perhitunganstatistik yang khusus untuk mengolah data berbentuk frekuensi.

(2) Data Kontinum Data yang berasal dari gejala yang bersifat kontinum juga yaitu

gejala yang bervariasi menurut tingkatan atau jenjang. Data tersebut

tidak dapat dipisahkan antara yang satu dengan yang yang lainnya.

Data kontinum dapat dibedakan menajdi:(a) Data dengan skala ordinal, skala ordinal adalah angka yang

menunjukan suatu posisi dalam suatu urutan tertentu atau dalam

satu seri.

(b) Data dengan skala interval, dalam data interval antara nilai-nilai

yang berbentuk angka dan menempati titik-titik yang berdekatan

ternyata berjarak sama. Jarak tersebut kemudian dibandingkan

dengan ukuran-ukuran tertentu. Misalnya rata-rata (mean), skala

nilai (0-10) atau yang lainnya.


8/39



8

(c) Data dengan skala rasio, memiliki titik nol yang absolut,

sehingga suatu gejala yang dinyatakan dengan nol berarti gejala

tersebut sama sekali tidak ada. Selain itu data ini juga memiliki

bentuk satuan yang sama dan dapat dilakukan perbandingan

secara pasti.

Dalam melakukan suatu analisa empirik kita dapat mengelompokkan jenis data yang

tersedia menjadi tiga kategori, yaitu:

i. Time Series Data

Merupakan data yang disusun menurut urutan waktu seperti data harian,

mingguan, bulanan, triwulan maupun tahunan.

ii. Cross Section Data

Merupakan data yang disusun pada suatu waktu yang sama dari berbagai

macam kelompok seperti daerah, perusahaan dan perorangan.

iii. Pooled Data

Adalah data yang merupakan gabungan dari data time series dan data cross

section. Misalnya data penyaluran kredit beerdasar kelompok bank yang ada

(misalnya bank asing, bank umum nasional, bank swasta devisa, dan kelompok

bank lainnya) selama periode 1990-2000. Kegunaan dari data ini umumnya

adalah untuk memperbanyak jumlah observasi guna memenuhi kebutuhan

minimum jumlah observasi dalam sebuah penelitian.

PERMASALAHAN DALAM DATA

Dalam melakukan pengumpulan data, kita sering kali dihadapkan pada

beberapa masalah sebagai berikut:

a. Missing DataMissing data (data kosong) merupakan fenomena yang paling sering muncul

terutama pada data-data sekunder yaitu masalah ketidaktersediaan data. Cara-

cara yang dapat digunakan untuk mengatasi masalah tersebut adalah:

Drop data, ini merupakan cara termudah yaitu dengan membuang ataumenghapus keseluruhan data yang tidak tersedia tersebut dalam penelitian

yang akan dilakukan. Akan tetapi cara ini tidak selalu dapat dilakukan

ketika data atau veriabel yang akan dibuang tersebut adalah merupakanvariabel substantif dalam sebuah model.

Estimasi data, yaitu mencoba mengisi data-data yang tidak tersedia(kosong) dengan cara membuat trend data atau regresi dari variabel tersebut

terhadap waktu.

b. OutlierOutlier adalah data yang nilainya jauh berbeda atau menyimpang dari trend

data secara keseluruhan. Cara mengatasi outlier adalah sebagai berikut:

Melakukan cek ulang terhadap data aslinya, karena ada kemungkinanterjadi kesalahan pada saat entry data.

Jika data outlier tersebut dianggap akan mengacaukan hasil penelitian makasebaiknya data tersebut dihilangkan.


9/39



9

Jika data outlier tersebut ada kemungkinan berulang (mempunyai pola)maka data tersebut sebaiknya jangan dihilangkan.

SATUAN DATA

Dalam berbagai penelitian seringkali ditemukan data yang berbeda satuan.

Untuk memudahkan analisa hasil regresi sebaiknya satuan data disamakan dengan

mengubah bentuk data yaitu dalam bentuk logaritma, logaritma natural atau membagi

data tersebut dengan standar deviasi masing masing.

KONVERSI DATA

Data-data seperti jenis kelamin, jenis pekerjaan, jenjang pendidikan merupakan

data-data yang bersifat kualitatif sehingga tidak dapat digunakan untuk regresi. Untuk

keperluan analisa perlu adanya transformasi data kualitatif tadi menjadi data

kuantitatif, hal ini biasa disebut dengan dummy variable. Misalnya jenis kelamin laki-

laki diberi angka 1 dan perempuan diberi angka 0, sehingga variabel yang tadinya

bersifat kualitatif berubah menjadi kuantitatif.

DATA NOMINAL ATAU RIIL

Data-data yang digunakan dalam penelitian harus memiliki sifat yang sama,

jika penelitian menggunakan data riil maka seluruh data yang berbentuk nominal harus

di-deflate dengan indeks harga sehingga menjadi data riil. Indeks harga yangdigunakan dapat berupa IHK, GDP deflator atau indeks harga lainnya.


10/39



10

III. PENGENALAN E VIEWS

EViews merupakan salah satu software statistika yang powerful dalam

menganalisis data khususnya data time series. Software ini bersifat user friendly

karena berbasiskan window dengan berbagai fasilitas seperti data analysis, regression

dan forecasting. Dengan EViews ini kita dapat mengapliksikan dengan cepat dan

mudah metode statistika sesuai dengan perilaku data, dan selanjutnya dengan metode

terpilih ini akan digunakan untuk meramalkan nilai dugaan di masa depan. Beberapa

contoh cakupan pengunaan EViews antara lain scientific analysis and evaluation,

financial analysis, macroeconomic forecasting, simulation, sales forecasting and cost

analysis.

Cara Menggunakan Regresi dengan Menggunakan Program EViews 3.1

Langkah-langkah yang harus dilakukan adalah sebagai berikut :

Sebelum data diolah menggunakan berbagai software statistik maupun

ekonometrik langkah pertama yang perlu dilakukan adalah memasukkan data ke dalam

komputer, agar data dapat diolah lebih lanjut. Semua data sebaiknya dimasukkan atau

diketik dalam microsoft excel. Hal ini dimaksudkan untuk mempermudah pekerjaan,

karena data ini dapat dipindah-pindah atau digunakan dalam software-softwareyang

lain. Setelah semua data dimasukkan langkah langkah yang dilakukan untuk

memindahkan data kesoftware Eviews adalah:

TAMPILAN AWAL EVIEWS

Tekan program EViews maka akan muncul tampilan sebagai berikut :

Menu EViews

File Edit Objects View Procs

Quick Options Window Help

Close


11/39



11

Pada window EViews :

Jika Clik :

Minimize, membuat ukuran window menjadi kecil

Restore, ukuran window sedang atau maximize, ukuran windowpenuh/besar

Close, menutup window EViews

Status linemenunjukkan:

1. Tempat pesan suatu perintah

2. Default directory3. Default database4. Workfile yang aktif

Pembuatan Workfile

Tekan File, New, Workfilemaka akan keluar tampilan sebagai berikut :

Pilihan waktu dari data ada berbagai macam ;

Annualuntuk data tahunan. Semi-Annualuntuk data semesteran. Quarterlyuntuk data triwulanan. Montlyuntuk data bulanan. Weeklyuntuk data mingguan.

Daily (5 day weeks) untuk data mingguan (5 hari kerja). Contoh data ini adalahdata saham, dimana bursa berlangsung dari hari senin-jumat.

Daily (7 day weeks) untuk data mingguan (7 hari). Contoh data penjualansupermarket.

Undated or irregular untuk data cross section, yang ditulis berdasarkanbanyaknya observasi.

Ketik range waktu yang diinginkan padaStart date danEnd date

Ok,Tampilannya sebagai berikut:


12/39



12

Button Bar

Procs

MENGIMPOR DATA DARI EXCEL

Pada toolbar window Workfile : Tekan Procs, Impor, Read Text-Lotus-Excel,dapat juga melalui toolbar windowE-Viewsdengan menekan File, Impor, Read

Text-Lotus-Excel.

Tentukan lokasi file excel misalnya di drive A, double clickpada file yang akan

digunakan.

Kemudian akan keluar tampilan sebagai berikut : (Excel Spreadsheet Import).

ClickBy Observation series in columnspada Order of data untuk memilih datayang akan digunakan berdasarkan kolom pada excel spreadsheet kita.

Ketik B2yang menunjukkan lokasi sel di excel spreadsheet yang pertama kali akan

diimpor ke EViews workfile dan Sheet2 yang menunjukkan letak data kita pada

excel worksheet.

Ketik banyaknya variabel data yang diimpor pada Names of series or number of

series if names infiles misalnya 3, atau kita bisa langsung mengetik nama-nama

variabel yang akan diregresi, misalnyaMoney Deposito GDP

Kemudian ketik 1971 2000 yang menunjukkan tahun series data sesuai dengan

range yang ditentukan ketika membuat workfilebaru.


13/39



13

OK, maka tampilannya sebagai berikut :

Memasukkan data kedalam workfile EViews juga dapat dilakukan dengan cara sebagai

berikut:

Tekan Quick, Empty Group (Edit Series) pada tampilan gambar ketiga diatas

setelah kita mengisi Workfile Range, dilanjutkan dengan copy data dari excel

spreadsheet beserta nama variabelnya. Setelah itu tekan kolom disamping kanan

Obspada Data Sheet EViews, tekan mousesebelah kanandan Paste.

Untuk menyimpan group yang sudah ada, tekan Name

Tekan OK

MENYIMPAN WORKFILE

Tekan Savepada toolbar windows Eviews atau dapat dilakukan melalui File, Save

pada menu EViews kemudian beri nama PELATIHAN I


14/39



14

GENERATING DATA

Generating data digunakan untuk membuat data baru dari data yang telah

masuk ke dalam workfile EViews, sehingga dapat diproses lebih lanjut. Jika data ingin

dirubah dalam bentuk logaritma natural (ln) dapat dilakukan dengan cara sebagai

berikut:

Tekan Genrpada window Workfile, maka akan muncul tampilan sebagai berikut:

Tuliskan nama variabel baru dan fungsi dari variabel baru tersebut dalam kotak

Enter Equation. Misalnya kita akan merubah variabel money kedalam bentuk

logaritma, maka ketik lnmd=log(money)padaEnter equation

Kotaksample menunjukkan data sample yang akan diubah kedalam bentuk lnmd

Tekan OK, tampilannya sebagai berikut:

DESKRIPSI DATA

Sebelum melakukan analisis lebih lanjut terhadap data, penyajian dan

peringkasan data dalam bentuk deskripsi data, baik berupa nilai statistik atau gambar

merupakan tahapan penting dalam melakukan analisis selanjutnya. Hal ini bermanfaat

untuk menentukan analisis yang tepat dan efisien terhadap data sesuai tujuan sehingga

diperoleh kesimpulan yang tepat dan sah.


15/39



15

Tahapan sebelum melakukan deskripsi data adalah mengecek data di workfile

adalah sebagai berikut:

Menampilkan Data dalam Group

Block variabel-variabel yang akan dilihat dalam group

Click kanan

Clik 2 kali pada variabel yang sudah di block, Open Group atauView/Show,

baik padawindow workfile maupunEViews, dapat juga dengan cara clik kanan,

Open, As Group Maka akan terlihat sebagai berikut :


16/39



16

Menampilkan data dalam grafik garis

Click View, Multiple Graphs, Linepadawindow Groupatau window Workfile

Menampilkan Deskripsi Statistika (Statistik sample masing-masing variabel dan

korelasi antar variabel)

Click View, Deskriptive stats, Individual samples pada window Group atau

Workfile


17/39



17

Untuk melihat korelasi antar dataclick View, Correlation

INSERT DATA BARU

Untuk memasukkan data baru dapat dilakukan dengan langkah-langkah sebagai

berikut:

1. Mengubah range tahun dari data/sample

Pada widow EViews tekan Procs, Change workfile range,ketik tahun data

yang diinginkan pada end date

Procs, Sample., ketik range tahun yang diinginkan padasample range pairs

misalnya 1971-2005 (Or sample object to copy)

2. Menyisipkan dataseriesbaru

Blok variabelnya lalu tekan Show, OKmaka akan tampil window groupsebagai

berikut:


18/39



18

Pada window Group, tekan Edit+/-, sehingga akan tampil sebagai berikut:

Lokasi data yang disisipkan

Buka data yang ada diExcel, Blokdan Copydata yang ingin disisipkan.

Tempatkan kursor pada awal lokasi penyisipan (Window Group) dan Edit, Paste


19/39



19

IV. TIME SERIES REGRESSION

CARA MELAKUKAN REGRESI DENGAN MENGGUNAKAN EVIEWS

Misalkan kita memiliki fungsi regresi sederhana sebagai berikut

Money = f(GDP, Tingkat Bunga Deposito)

Money = 1+ 2GDP + 3Tingkat Bunga Deposito

Masukandata yang akan diregresi

Tulis persamaan regresinya dengan cara tekan Quick, Estimate Equation pada

window Eviewsdan tulis persamaan regresi dalam kotak yang tersedia; atau tekan

Object, New Object, OK

Tulis model persamaan permintaan uang diatas dengan cara mengetik money c

deposito gdppada kotakEquation Specification

Pada kotak Estimation Settings kita bisa menentukan model fungsi dan sample

yang akan digunakan. Untuk jenis regresi OLS kita pilih LS-Least Squares dan

kita ketik range samplepenelitian 1971 2000

Tekan OK, akan terlihat sebagai berikut :

Hasilnya :


20/39



20

Untuk melihat model regresi yang telah dilakukan, tekan View, Representation

pada window Equation

Jika ingin kembali kepada hasil estimasi yang dilakukan sebelumnya, tekan View,

Output Estimation

Simpan hasil estimasi yang telah dilakukan, tekan Save, Name pada window

Workfile


21/39



21

EVALUASI HASIL REGRESI

Ada beberapa kriteria untuk menyatakan bahwa model regresi yang dihasilkan adalah

baik, pada umumnya ada tiga kriteria evaluasi yang digunakan yaitu :

1. Kriteria ekonometrika (multikolinieritas, otokorelasi dan heteroskedastisitas)

2. Kriteria ekonomi (tanda dan besaran)3. Kriteria statistik (uji diagnostik)

1. Kriteria Ekonometrik

a. Multikolinieritas

Multilolinieritas adalah keadaan dimana dua atau lebih independent variable

berkorelasi tinggi. Deteksi ada tidaknya multikolinieritas dapat dilihat dari nilai

R2, F-hitung serta t-hitung, dimana identifikasi awal terjadinya kasus

multikolinieritas adalah jika nilai R2 dan F-hitung cenderung tinggi sedangan

nilai t-hitung banyak yang tidak signifikan.

Cara lain untuk mendeteksi ada tidaknya multikolinieritas adalah dengan

memperhatikan hasil prob t-statistic hasil regresi. Apabila banyak koefisien

parameter yang diduga menunjukkan hasil yang tidak signifikan maka hal ini

mengindikasikan adanya multikolinieritas.

Selain itu ada juga beberapa cara yang digunakan untuk mendeteksi ada

tidaknya masalah multikolinieritas (Judge et. al., 1982, hal 868) yaitu

(1) Melihat matriks koefisen korelasi antara masing-masing variabel bebas.

Jika korelasi antara dua variabel lebih besar dari 0,8 maka terdapat masalah

multikolinieritas yang serius.(2) Melihat nilai Condition Index(dengan menggunakan program SPSS), jika

lebih besar dari 30 maka terdapat masalah multikolinieritas yang serius.

Treatment termudah untuk pelanggaran ini adalah dengan menghilangkan salah

satu variabel yang tidak signifikan tersebut. Namun hal ini seringkali tidak

dipergunakan karena akan menciptakan bias dari parameter yang spesifik

dalam model. Diharapkan bias tersebut cukup kecil sehingga bias penghilangan

variabel ini tidak terlalu besar.

Cara lain adalah dengan mencari variabel instrumental yang berkorelasi dengan

dependent variable namun tidak berkorelasi dengan variabel bebas lainnya.Cara ini cukup rumit mengingat kita tidak memiliki informasi mengenai tipe

variabel tersebut. Untuk mencegah penghilangan variabel yang salah dapat

digunakan regresistepwise.

Cara melihat multikolinieritas dengan EView, melalui koefisien korelasi,

caranya :

Pilih variabel-independent variable dalam model, Klik kanan, Open, as

Group. Akan muncul tampilan sebagai berikut:


22/39



22

Pilih View, Correlation

Jika korelasi antara dua variabel lebih besar dari 0,8 maka terdapat masalah

multikolinieritas yang serius.

b. OtokorelasiSalah satu asumsi dasar dari perhitungan regresi dengan metode OLS adalah

tidak adanya korelasi antar variabel gangguan atau galat pada periode tertentu

(et) dengan galat periode sebelumnya (et-1), atauE(et,e t-1) = 0. Jika pada suatu

kondisi tertentu terjadi hubungan antar galat periode et dengan periode et-1maka terjadi kasus otokorelasi sederhana tingkat pertama, first order

autocorellation = AR(1), dimana nilai koefisien AR(1) menunjukkan nilai

korelasi antar galat dalam persamaan.

Eksistensi otokorelasi dalam model yang diteliti akan menghasilkan estimasi

koefisien yang konsisten dan tidak bias (unbiased)tetapi memiliki varians yangbesar, dengan perkataan lain hasil penafsiran menjadi tidak efisien. Varians

estimasi parameter yang tidak efisien ini menyebabkan nilai t-hitung masing-

masing variabel cenderung kecil.

Ada beberapa metode yang dapat dipakai untuk mendeteksi kasus otokorelasi,

yaitu:

UjiDurbin WatsonUji ini dilakukan dengan membandingkan nilai DW-statistik yang dihitung

dengan batas atas (DWu) dan batas bawah (DWl) dari tabel Durbin-Watson

dengan memperhatikan jumlah observasi dan jumlah independent variable.

Selang kepercayaan yang didapat dari hasil pengujian mencakup 5 daerahyaitu:


23/39



23

1. DWSTAT< DWL2. DWL< DWSTAT 4 DWL

otokorelasi negatif

tidak dapat disimpulkan

tidak terjadi otokorelasi

tidak dapat disimpulkan

otokorelasi positip

Kelemahan dari UjiDurbin Watson adalah adanya daerah inconclusive(daerah

2 dan 4) sehingga uji ini tidak dapat memberikan penjelasan dengan tepat

mengenai ada tidaknya korelasi antar variabel gangguan (galat) pada periode

tertentu dengan galat periode sebelumnya terutama pada kedua daerah tersebut.

Cara mengatasi masalah otokorelasi, dapat dilakukan dengan beberapa cara,

seperti:

1. Merubah bentuk persamaan dari persamaan Yit= + Xit+ it menjadi Yit

- Y1t 1= I (1 - i ) + (X1t - iX1t 1) +it - I i t 1 besaran berada pada 1


24/39



24

Terlihat bahwa nilai DW statistikyang dihasilkan adalah sebesar 1,850

Nilai tersebut berada pada selangDWU< DWSTAT< 4DWU, yang berarti

terjaditidak terjadi otokorelasi

UjiLagrange Multiplier (LM)

Untuk memperkuat hasil ujiDurbin Watson yang dilakukan sebelumnya, dapat

dilakukan uji lainnya dengan Lagrange Multiplier dengan menggunakan uji

Breusch-Godfrey Serial Correlation LM test yang menitik beratkan pada

perbandingan antara nilai Obs*R-squared dengan nilai 2 tabel pada tingkat

kepercayaan tertentu dan derajat kebebasan (df) yang sesuai dengan jumlah

independent variable. Pendugaan pengujian otokorelasi dilakukan dengan

pembuatan hipotesa sebagai berikut :

H0 : no autocorrelation

H1: autocorrelation

Jika nilai Obs*R-squared>2 tabel maka H0ditolak, dengan kata lain terjadi

masalah otokorelasi.

Pengujiannya dapat dilakukan dengan menggunakan Breusch-Godfrey

Lagrange Multiplier Test:

PadaEquation toolbar, tekan View, Residual Test, Serial Corelation LM

Test

Akan muncul tampilan berikut ini:

Lihat nilaiprobabilita dan nilai Obs*R-squared

Dari P-Value terlihat bahwa nilai P-Value > Hal ini mengindikasikan

tidak terjadi otokorelasi pada persamaan.


25/39



25

Hasil treatment yang dilakukan sebelumnya membuktikan bahwa masalah

otokorelasi telah teratasi.

c. Heteroskedastisitas

Asumsi lain yang digunakan dalam penerapan model regresi linear yaitu

varians dari setiap gangguan atau residual adalah konstan. Heteroskedastisitasadalah keadaan di mana asumsi tersebut di atas tidak tercapai, dengan kata lain

E(et2) = t

2, dimana E(et2) adalah ekspektasi dari error dan t

2 adalah varians

dari error yang berbeda tiap periode waktu.

Dampak adanya heteroskedastisitas adalah tidak efisiennya proses estimasi,

sementara hasil estimasinya sendiri tetap konsisten dan tidak bias. Eksistensi

dari masalah heteroskedastisitas akan menyebabkan hasil uji-t dan uji-F

menjadi tidak berguna (misleading).

Pada penelitian ini, pengujian kasus heteroskedastisitas akan dilakukan dengan

menggunakan White Heteroskedasticity Testpada consistent standard errors &

covariance.Hasil yang perlu diperhatikan dari hasil uji ini adalah nilai F dan

Obs*R-squared, dengan hipotesis sebagai berikut

H0 : homoskedasticity

H1 : heteroskedasticity

Kemudian kita membandingkan antara nilai Obs*R-squared dengan nilai2

tabel dengan tingkat kepercayaan tertentu dan derajat kebebasan (df) yang

sesuai dengan jumlah independent variable.

Pada window Equation, tekan View, Residual Test, White

Heteroskedasticity

Ada dua macam versi yaitu Cross product term option dan no cross

product term option.Jika modelnya memiliki banyak variabel bebas maka

disarankan untuk menggunakan no cross term option

Akan muncul tampilan sebagai berikut:


26/39



26

Lihat nilai Obs*R-squared kemudian bandingkan dengan2

tabel

Atau bisa dilihat dari P-Value terlihat bahwa nilai P-Value > Hal ini

mengindikasikan tidak terjadi otokorelasi pada persamaan.

Jika nilai Obs*R-squared>2tabelmakaH0ditolak,dengan kata lain terjadi

masalah heteroskedastisitas. Dalam hal ini P-Value (0,0007) < 5% (0,05),

maka telah terjadi masalah heteroskedastisitas

Treatment nya adalah dengan melakukan weighted pada variabel yang

dispesifikasikan. Cara melakukan mengatasi masalah heteroskedastisitasadalah:

Pada window Equation, tekan Option

Beri tanda() pada Heteroskedasticitydan beri tanda() pada weighted Masukan variabel yang paling signifikanuntuk di-weighted

OK

Akan didapat hasil estimasi baru yang telah terbebas dari masalah

heteroskedastisitas


27/39



27

2. Kriteria ekonomi

Pada kriteria ini melihat kecocokan tanda (positif atau negatif) dan juga nilai

koefisien penduga dengan berdasarkan teori. Hasil yang positif berarti jika X

mengalami peningkatan sebesar satu satuan maka Y akan mengalami peningkatan

juga sebesar nilai koefisien yang dihasilkan dari regresi. Jika hasilnya negatif

berarti sebaliknya.

3. Kriteria Statistik

a. Uji Signifikansi

Merupakan suatu pengujian yang bertujuan untuk mengetahui apakah

koefisien regresi signifikan atau tidak. Sebelum melakukan pengujian, biasanya

dilakukan hipotesis terlebih dahulu, yaitu:

H0 : = 0

H1 : 0

Artinya, berdasarkan data yang tersedia, akan dilakukan pengujian terhadap ,

apakah sama dengan nol, yang berarti tidak mempunyai pengaruh signifikanterhadap variabel terikat, atau tidak sama dengan nol, yang berarti mempunyai

pengaruh yang signifikan.

Uji t

Kolom yang berada di tengah pada output regresi menunjukan nilai t-hitung

yang dihasilkan dalam regresi. Jika hasil t-hitung > t-tabel, maka hipotesis nol

ditolak pada tingkat kepercayaan (1-). Dalam hal ini dapat dikatakan bahwa signifikan secara statistik. Dengan (T-k) degrees of freedom.

UjiProbability

Kolom paling kanan pada output regresi menunjukan nilai probabilitas dariparameter regresi yang kita duga, dibawah asumsi bahwa error regresi


28/39



28

terdistribusi secara normal. Nilai ini ditunjukan oleh p-value. Secara singkat

dengan nilai p-value ini, kita dapat menentukan apakah kita menerima atau

menolak hipotesa. Jika nilai p-value < nilai maka kita dapat menolak

hipotesa Ho, dengan tingkat keyakinan (1-). Dalam hal ini dapat dikatakanbahwa signifikan secara statistik. Nilai p-value dihitung berdasarkandistribusi t dengan (T-k) degrees of Freedom.

b. Uji F

F-statistik merupakan uji ketepatan model atau yang biasa dikenal dengan

goodness of fitdibawah hipotesanya. Yaitu :

H0 : Semua parameter = 0

H1 : Semua parameter 0

Dalam hipotesanya uji ini tidak melibatkan konstanta. Untuk metode Ordinary

Least Squaresnilai F-statistik dihitung dengan formula sebagai berikut:

( )( )( )kTR

kRF

=

/1

1/2

2

Nilai F akan mengikuti distribusi F dengan degree of freedom (k-1) untuk

pembilang dan (T-k) sebagai penyebutnya. Nilai F statistik yang besar lebih

baik dibandingkan dengan nilai F statistik yang rendah. Sedangkan nilai prob F

merupakan tingkat signifikansi marginal dari F statistik. Dengan nilai prob F

maka kita dapat melakukan penolakan hipotesaH0jika nilai prob F kurang dari

nilai alpha. Maka pada tingkat keyakinan (1-) kita dapat menyimpulkanbahwa seluruh parameter yang diduga (tidak termasuk konstanta) adalah

berbeda dengan nol. Atau model yang digunakan adalah model yang baik.

c. R-squared (R2)

Nilai R-squared (R2) statistik mengukur tingkat keberhasilan model regresi

yang digunakan dalam memprediksi nilai dependent variable. R2 merupakan

fraksi dari variasi yang mampu dijelaskan oleh model. Nilai R2terletak antara

nol sampai dengan satu. Semakin mendekati satu maka model dapat dikatakan

semakin baik.

Adjusted R-squared (Adj-R

2

)Salah satu masalah jika kita menggunakan ukuran R2 untuk menilai baik

buruknya suatu model adalah kita akan selalu mendapatkan nilai yang terus

naik seiring dengan penambahan variabel bebas ke dalam model. Adj-R2secara

umum memberikan penalti atau hukuman terhadap penambahan variabel bebas

yang tidak mampu menambah daya prediksi suatu model.

( )kT

TRRAdj

=1

11. 22

Nilai Adj-R2 tidak akan pernah melebihi nilai R2 bahkan dapat turun jika

menambahkan variabel bebas yang tidak perlu dan bahkan untuk model yang

memiliki kecocokan yang rendah (goodness of fit).

4. Kriteria Lainnya


29/39



29

a. Standard Error of Regression (S.E. of regression)

Merupakan ikhtisar yang mengukur akar dari varianceyang diukur berdasarkan

nilai residual dari regresi yang dilakukan dengan model yang ada. Semakin

kecil nilai S. E. of regression maka model dinilai semakin baik.

c. Sum of Squared Residuals

Sum of Squared Residuals tidak jauh berbeda dengan S.E. of regression. Ia

merupakan jumlah kuadrat dari kesalahan (residual) dari model regresi yang

kita gunakan. Semakin besar nilai SSR ini berarti model memiliki kecocokan

yang buruk.

d. Log Likelihood

Nilai dari log likelihood functionmerupakan evaluasi terhadap nilai parameter

yang kita duga dalam regresi. Perhitungan nilai log likelihoodmenggunakan

asumsi bahwa error terdistribusi secara normal.Likehood ratio testmerupakan

tes yag mengukur perbedaan antara nilai log likelihood untuk model restricted

dan nilai log likelihood untuk unrestricted dari persamaan yang digunakan

semula. Semakin besar nilai log likelihood tesmaka model yang kita gunakan

semakin baik.

e. Akaike Information Criterion

Nilai dariAkaike Information Criterion (AIC) dihitung dengan formula:

TkTlAIC /2/2 =

dimana nilai ladalah niali log likelihood diatas

( ) ( )( )TTl /'log2log12/ ++=

AIC sering kali digunakan sebagai seleksi terhadap nilai alternatif dari non-

nested,dimana nilai AIC yang lebih kecil menunjukkan hasil yang lebih baik.

Misalnya, kita ingin menggunakan lag dari variabel dalam model, maka

panjang distribusi lag yang digunakan adalah yang meminimumkan nilai AIC.

f. Schwarz Criterion

Schwarz Criterion (SC) merupakan alternatif dari AIC dimana SC memberikan

penalti terhadap penambahan variabel bebas. SC dihitung menggunakanformula:

TTkTlSC /)log(/2 +=

Ketentuan yang digunakan dalam SC sama dengan IC, dimana makin kecil

nilai SC makin menunjukkan hasil yang lebih bagus.

Selain uji-uji tersebut, masih ada beberapa uji lainnya yang juga dibutuhkan dalam

melakukan suatu regresi ekonometri, yaitu:

a. Uji Normalitas


30/39



30

Apabila ukuran sampel yang digunakan kecil, distribusi error termperlu diuji

apakah mendekati normal. Uji yang dilakukan adalah dengan menggunakan uji

JarqueBera (Uji J-B). Uji ini didasarkan pada error penduga least squares.

Prosedur pengujiannya sebagai berikut:

H0 : error term memiliki distribusi normalH1 : error term tidak memiliki distribusi normal

Statistik J-Bdihitung melalui tahapan sebagai berikut:

(1)Hitung kecondongan (3) dan ketinggian (4) distribusi error term.

(2)Hitung statistik

+=

24

)3(

24

2

4

2

3 nBJ

Dalam sample besar statistikJBmengikuti distribusi Chi-squaredengan bebas.

Jika statistik J-B lebih kecil dibandingkan dengan nilai kritis Chi-squared,berarti error term mendekati distribusi normal.

Uji ini perlu dilakukan jika sampel yang digunakan kurang dari 30, karena jika

sampel lebih dari 30 maka error term cenderung akan terdistribusi secara

normal.

Langkah-langkah dalam melakukan uji J-B adalah sebagai berikut:

Pada window Workfile,pilihResid,Click kanan

PilihView, Deskriptive Stat, Histogram and Stat

Akan muncul tampilan berikut :

= 5% maka daerah kritis penolakan H0 adalah ketika J-B >2 atau

probability (P-Value) 5% sehinggaH0dapatditerima yang artinya data tersebut terdistribusi secara normal.


31/39



31

b. Uji Kausalitas

Masalah yang sering muncul dalam perekonomian adalah menentukan apakah

perubahan satu variabel menyebabkan perubahan pada variabel yang lain.

Contohnya adalah apakah perubahan Money akan menyebabkan perubahan

pada GDP atau antar keduanya ditentukan secara endogen? Menghadapipermasalahan ini maka diperlukan uji kausalitas. Dalam melakukan uji ini

dilakukan dua kali pengujian dengan menampilkan jumlah lag yang berbeda,

hal ini dilakukan untuk melihat apakah hasilnya konsisten untuk setiap lag

yang berbeda.

Pada window Workfile,pilihvariabelMoney dan GDP

Klik kanan, Open as Group

PilihView, Granger Gausality Test,pilih besaran Lag yang diinginkan

Akan muncul tampilan berikut :

= 5% maka daerah kritis penolakan H0 adalah ketika J-B >2 atau

probability (P-Value)

Modul Ekonometrika Dasar

Documents

Transcript of Modul Ekonometrika Dasar