Modul Ekonometrika Dasar
-
Upload
olahdata-makalah-tugasakhir -
Category
Documents
-
view
282 -
download
4
Transcript of 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
-
7/22/2019 Modul Ekonometrika Dasar
2/39
Pelatihan Teknik Ekonometrika
Divisi Usaha Kecil dan Mikro Bank BNI
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
-
7/22/2019 Modul Ekonometrika Dasar
3/39
Pelatihan Teknik Ekonometrika
Divisi Usaha Kecil dan Mikro Bank BNI
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
-
7/22/2019 Modul Ekonometrika Dasar
4/39
Pelatihan Teknik Ekonometrika
Divisi Usaha Kecil dan Mikro Bank BNI
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
-
7/22/2019 Modul Ekonometrika Dasar
5/39
Pelatihan Teknik Ekonometrika
Divisi Usaha Kecil dan Mikro Bank BNI
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.
-
7/22/2019 Modul Ekonometrika Dasar
6/39
Pelatihan Teknik Ekonometrika
Divisi Usaha Kecil dan Mikro Bank BNI
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)
-
7/22/2019 Modul Ekonometrika Dasar
7/39
Pelatihan Teknik Ekonometrika
Divisi Usaha Kecil dan Mikro Bank BNI
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.
-
7/22/2019 Modul Ekonometrika Dasar
8/39
Pelatihan Teknik Ekonometrika
Divisi Usaha Kecil dan Mikro Bank BNI
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.
-
7/22/2019 Modul Ekonometrika Dasar
9/39
Pelatihan Teknik Ekonometrika
Divisi Usaha Kecil dan Mikro Bank BNI
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.
-
7/22/2019 Modul Ekonometrika Dasar
10/39
Pelatihan Teknik Ekonometrika
Divisi Usaha Kecil dan Mikro Bank BNI
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
-
7/22/2019 Modul Ekonometrika Dasar
11/39
Pelatihan Teknik Ekonometrika
Divisi Usaha Kecil dan Mikro Bank BNI
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:
-
7/22/2019 Modul Ekonometrika Dasar
12/39
Pelatihan Teknik Ekonometrika
Divisi Usaha Kecil dan Mikro Bank BNI
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.
-
7/22/2019 Modul Ekonometrika Dasar
13/39
Pelatihan Teknik Ekonometrika
Divisi Usaha Kecil dan Mikro Bank BNI
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
-
7/22/2019 Modul Ekonometrika Dasar
14/39
Pelatihan Teknik Ekonometrika
Divisi Usaha Kecil dan Mikro Bank BNI
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.
-
7/22/2019 Modul Ekonometrika Dasar
15/39
Pelatihan Teknik Ekonometrika
Divisi Usaha Kecil dan Mikro Bank BNI
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 :
-
7/22/2019 Modul Ekonometrika Dasar
16/39
Pelatihan Teknik Ekonometrika
Divisi Usaha Kecil dan Mikro Bank BNI
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
-
7/22/2019 Modul Ekonometrika Dasar
17/39
Pelatihan Teknik Ekonometrika
Divisi Usaha Kecil dan Mikro Bank BNI
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:
-
7/22/2019 Modul Ekonometrika Dasar
18/39
Pelatihan Teknik Ekonometrika
Divisi Usaha Kecil dan Mikro Bank BNI
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
-
7/22/2019 Modul Ekonometrika Dasar
19/39
Pelatihan Teknik Ekonometrika
Divisi Usaha Kecil dan Mikro Bank BNI
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 :
-
7/22/2019 Modul Ekonometrika Dasar
20/39
Pelatihan Teknik Ekonometrika
Divisi Usaha Kecil dan Mikro Bank BNI
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
-
7/22/2019 Modul Ekonometrika Dasar
21/39
Pelatihan Teknik Ekonometrika
Divisi Usaha Kecil dan Mikro Bank BNI
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:
-
7/22/2019 Modul Ekonometrika Dasar
22/39
Pelatihan Teknik Ekonometrika
Divisi Usaha Kecil dan Mikro Bank BNI
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:
-
7/22/2019 Modul Ekonometrika Dasar
23/39
Pelatihan Teknik Ekonometrika
Divisi Usaha Kecil dan Mikro Bank BNI
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
-
7/22/2019 Modul Ekonometrika Dasar
24/39
Pelatihan Teknik Ekonometrika
Divisi Usaha Kecil dan Mikro Bank BNI
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.
-
7/22/2019 Modul Ekonometrika Dasar
25/39
Pelatihan Teknik Ekonometrika
Divisi Usaha Kecil dan Mikro Bank BNI
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:
-
7/22/2019 Modul Ekonometrika Dasar
26/39
Pelatihan Teknik Ekonometrika
Divisi Usaha Kecil dan Mikro Bank BNI
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
-
7/22/2019 Modul Ekonometrika Dasar
27/39
Pelatihan Teknik Ekonometrika
Divisi Usaha Kecil dan Mikro Bank BNI
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
-
7/22/2019 Modul Ekonometrika Dasar
28/39
Pelatihan Teknik Ekonometrika
Divisi Usaha Kecil dan Mikro Bank BNI
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
-
7/22/2019 Modul Ekonometrika Dasar
29/39
Pelatihan Teknik Ekonometrika
Divisi Usaha Kecil dan Mikro Bank BNI
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
-
7/22/2019 Modul Ekonometrika Dasar
30/39
Pelatihan Teknik Ekonometrika
Divisi Usaha Kecil dan Mikro Bank BNI
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.
-
7/22/2019 Modul Ekonometrika Dasar
31/39
Pelatihan Teknik Ekonometrika
Divisi Usaha Kecil dan Mikro Bank BNI
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)